Axis Robotics

产品更新 🛠️

我们减少了开放任务名额的数量。原因如下。

1️⃣ GPT-6 现在能够解决简单任务，并为这些任务生成可靠的执行轨迹。随着工作的推进，我们会进一步减少重复的数据收集工作。
2️⃣ 高质量的人类示范仍然至关重要 https://t.co/nCXR4P1m4J

产品更新 🛠️

我们减少了开放任务名额。原因如下。

1️⃣ GPT-6 现在可以解决简单任务，并为这些任务生成可靠的轨迹。
2️⃣ 对于复杂任务，高质量的人类演示仍然至关重要。这些演示的价值远高于 https://t.co/UuTVBuIGQz

7/7 链接

探索 AXIS-Bench 及我们的更多数据资源：

项目资源：
项目页面：https://t.co/9pvWoFdRzu
论文：https://t.co/6Irf55g2d5
代码：https://t.co/ONkJ4k41qL
试用 Axis Hub：https://t.co/brRVGQrYVQ

数据集：
Axis Dataset V2：https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 数据发布

Axis 数据集 V1 于 8 月发布。此后，我们构建了数据集 V2，现涵盖 1,092 项任务和 235 万个回合（包括摄像头增强）。AXIS-Bench 使用的配套数据集均从 V2 数据池中精心整理而来：

• 预训练数据集。5,000 个模拟 https://t.co/U7FM0ja7T3

5/7 从仿真到现实

AXIS-Bench 还提供了一个真实世界实验的参考工作流程和基线：对齐仿真摄像头与工作空间，重新渲染录制的演示数据，并使用少量真实演示数据进行微调。

在 Franka FR3 上，基于 https://t.co/RJGbCqqnNA 进行纯 BC 预训练

4/7 关键发现

• 质量的使用方式很重要。与普通行为克隆（BC）相比，采用感知方法的回合条件化，在三种 VLA 中均提升了平均成功率：在三个训练随机种子上，平均相对提升分别为 +3.9%、+23.4% 和 +5.6%（π₀.₅、SmolVLA、X-VLA）。

• 粒度 https://t.co/PWoi9hpmnt

3/7 实验设置

我们比较了三种质量感知方法：加权、筛选和条件化，涵盖两种奖励定义（以物体为中心和感知接近过程）以及两种标签粒度（回合和动作片段）。

这项受控研究使用了 5,000 次仿真 https://t.co/ATyOleyayw

2/7 核心想法

人类示范往往包含犹豫、绕路和进度不均。但 VLA 是否应该丢弃次优片段、降低其权重，还是学会根据片段质量进行条件化？

AXIS-Bench 基于众包模拟示范构建，并记录了物体和 https://t.co/LjrXBsIkl8

VLA 应如何从自然产生的次优机器人演示中学习？

隆重推出 AXIS-Bench：质量感知型 VLA 预训练中的关键因素。这是一项基准测试与实证研究，探讨在预训练过程中应如何定义、标注和利用演示质量。

涵盖三种 VLA https://t.co/0h0qloxBEL