Axis Robotics 推出用於 Physical AI 的開源 Franka 手臂資料集

Axis Robotics 已將 Axis Sim Dataset V1（Franka 手臂操作領域最大型的開放原始碼模擬資料集之一）連同完整資料集、訓練程式碼與基準測試一起公開發布。V1 包含超過 50,000 條由人類遠端操作的模擬軌跡，涵蓋 207 項操作任務，並在模擬的 Franka Research 3 手臂上配置超過 60,000 種場景變體。

該資料集已吸引超過 160,000 次下載，成為 Hugging Face 上最多人下載的開放原始碼 Franka 模擬資料集。在基準測試中，基於 V1 的持續預訓練改善了 π0.5，並超越了容量匹配的 RoboCasa 基準線，所有結果均公開且可驗證。

Axis Robotics 正在為 Physical AI 開發一個複合式資料引擎，這是一個垂直整合系統，涵蓋大規模模擬、以自我為中心的真實世界捕捉、人形機器人移動操作，以及人類門控 DAgger 後期訓練。該公司獲得了 1,200 萬美元的種子輪資金，由 Hack VC 領投，Nomad Capital、Pi Network Ventures、10K Ventures 以及天使投資人也參與其中。

對抗「僅有乾淨資料」的賭注

機器人學中一個普遍的看法是，示範應該接近最優，篩選出專家軌跡並捨棄雜訊資料。Axis 的論點則相反：資料品質是在分布層面定義的，而非逐條軌跡定義。當大量且多元的群體產生帶有不相關誤差的雜訊、次優軌跡時，雜訊會在訓練過程中平均化，從而浮現出可用的策略。Axis Sim Dataset V1 正是該論點的公開測試。這些軌跡涵蓋拾取與放置、堆疊、倒液體、關節物體操作以及工具使用，是透過 Axis 的基於瀏覽器的遠端操作平台 Axis Hub，由分散的群眾收集而來。該資料集與來自 UC Berkeley、Johns Hopkins、University of Michigan 及其他機構的研究人員共同開發。

可擴展的結果

在 LIBERO-Plus 上，使用 V1 的持續預訓練將 π0.5 的成功率從 83.9% 提升至 88.8%，並以 37.3% 的幅度超越了容量匹配的 RoboCasa365 基準線。隨著預訓練資料從資料集的 25% 擴展到 100%，效能穩步提升，且沒有出現飽和跡象，這顯示增益來自於多樣性與覆蓋率。最大的改進出現在攝影機、感測器雜訊和佈局擾動等條件下，這些正是 Axis 在生成過程中所隨機化的維度。團隊報告指出，V2 已在進行中，將擴展至 1,200 項任務共 1,200,000 條軌跡，並具備跨本體泛化能力，且多個 VLA 模型的結果顯示，次優的模擬資料也能訓練出穩健的策略。

資料集背後的引擎

該資料集是一個更大、持續複合式資料引擎的產物。與傳統資料供應商依照固定規格收集並停止不同，Axis 使用模型效能和失敗案例來引導下一輪收集，因此每次訓練回合都會為下一回合提供資訊。該引擎採用混合策略，橫跨四條資料線，目前均已達到規模化：

• 模擬：在 Axis Hub 上有超過 200,000 名分散式貢獻者，Axis Hub 是 Base 上排名前 3 的 dApp，已跨 13 種本體生成超過 4,700,000 條軌跡。
• 自我中心：一個由超過 1,000 名全職、接受品管訓練的收集者組成的管理網絡，在 14 個產業的真實家庭與企業中捕捉第一人稱活動，已累積超過 200,000 小時，並以每天超過 4,000 小時的速度增長，經由 Vicon 手部姿勢驗證。
• 移動操作：在真實人形機器人（如 Unitree G1 和 Booster T2）上透過硬體無關的遠端操作，累積超過 500 小時的移動與靈巧操作相結合的資料。
• 人類門控 DAgger 後期訓練：超過 500 小時的人機迴圈修正，針對部署邊緣案例。

每項任務和每條軌跡都記錄在 Base 的鏈上以供溯源，貢獻者則根據驗證的工作品質獲得獎勵。

從開放資料到商業部署

除了將模擬資料開放原始碼，Axis 也直接與機器人本體公司合作，開發客製化、特定本體的資料管道與模型先驗。作為 Booster Robotics 的第一個模擬資料合作夥伴，Axis 將 Booster 的真實工作空間重建為任務對齊的數位雙胞胎，讓分散式貢獻者收集超過 42,000 個模擬回合，並將其提煉成 Booster 特定的模型先驗。僅使用 30 次真實機器人示範，該先驗便達到了 87.5% 的成功率，而現成的 π0.5 只有 37.5%，且與使用一半真實世界示範的 π0.5 表現相當。其他合作夥伴包括本體公司（Feagine Robotics）、模型公司（Manycore Tech、Dexmal）以及工業自動化公司（Lotus Cars、Geely Auto）。Axis 也為鏈上機器人網絡（如 Solana 上的 BitRobot 和 Bittensor 上的 OpenRoboto）提供資料。

重新定義 Physical AI 的資料基礎

「Physical AI 的未來不是一個你一次下載的靜態資料集，」Axis Robotics 創辦人 Chris Feng 表示。「它是一個持續產生模型下一步所需資料的引擎。規模化帶來廣泛覆蓋。多樣性保持雜訊無偏。封閉迴路將每一次失敗轉化為進步。這就是複合的力量。」

Axis 由來自 UC Berkeley、CMU、Georgia Tech 和 SJTU 的研究人員，以及曾將消費者平台擴展至超過 3,000 萬用戶的連續創業者共同創立。其研究顧問為 Georgia Tech 助理教授 Jiachen Li。

論文可在以下網址取得：https://arxiv.org/abs/2607.21588。

專案頁面位於：https://axisaiorg.github.io/AXIS-V1/。

資料集位於：https://huggingface.co/datasets/axisrobotics/Franka-Dataset。

GitHub 程式碼庫位於：https://github.com/AxisAIOrg/Axis-V1-Training。