Axis Robotics

產品更新 🛠️

我們減少了開放任務名額的數量。原因如下。

1️⃣ GPT-6 現在能夠解決簡單任務，併爲這些任務生成可靠的執行軌跡。隨着工作的推進，我們會進一步減少重複的數據收集工作。
2️⃣ 高質量的人類示範仍然至關重要 https://t.co/nCXR4P1m4J

產品更新 🛠️

我們減少了開放任務名額。原因如下。

1️⃣ GPT-6 現在可以解決簡單任務，併爲這些任務生成可靠的軌跡。
2️⃣ 對於複雜任務，高質量的人類演示仍然至關重要。這些演示的價值遠高於 https://t.co/UuTVBuIGQz

7/7 鏈接

探索 AXIS-Bench 及我們的更多數據資源：

項目資源：
項目頁面：https://t.co/9pvWoFdRzu
論文：https://t.co/6Irf55g2d5
代碼：https://t.co/ONkJ4k41qL
試用 Axis Hub：https://t.co/brRVGQrYVQ

數據集：
Axis Dataset V2：https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 數據發佈

Axis 數據集 V1 於 8 月發佈。此後，我們構建了數據集 V2，現涵蓋 1,092 項任務和 235 萬個回合（包括攝像頭增強）。AXIS-Bench 使用的配套數據集均從 V2 數據池中精心整理而來：

• 預訓練數據集。5,000 個模擬 https://t.co/U7FM0ja7T3

5/7 從仿真到現實

AXIS-Bench 還提供了一個真實世界實驗的參考工作流程和基線：對齊仿真攝像頭與工作空間，重新渲染錄製的演示數據，並使用少量真實演示數據進行微調。

在 Franka FR3 上，基於 https://t.co/RJGbCqqnNA 進行純 BC 預訓練

4/7 關鍵發現

• 質量的使用方式很重要。與普通行爲克隆（BC）相比，採用感知方法的回合條件化，在三種 VLA 中均提升了平均成功率：在三個訓練隨機種子上，平均相對提升分別爲 +3.9%、+23.4% 和 +5.6%（π₀.₅、SmolVLA、X-VLA）。

• 粒度 https://t.co/PWoi9hpmnt

3/7 實驗設置

我們比較了三種質量感知方法：加權、篩選和條件化，涵蓋兩種獎勵定義（以物體爲中心和感知接近過程）以及兩種標籤粒度（回合和動作片段）。

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

2/7 核心想法

人類示範往往包含猶豫、繞路和進度不均。但 VLA 是否應該丟棄次優片段、降低其權重，還是學會根據片段質量進行條件化？

AXIS-Bench 基於衆包模擬示範構建，並記錄了物體和 https://t.co/LjrXBsIkl8

VLA 應如何從自然產生的次優機器人演示中學習？

隆重推出 AXIS-Bench：質量感知型 VLA 預訓練中的關鍵因素。這是一項基準測試與實證研究，探討在預訓練過程中應如何定義、標註和利用演示質量。

涵蓋三種 VLA https://t.co/0h0qloxBEL