Axis Robotics 发布了 Axis Sim Dataset V1，这是规模最大的开源 Franka 机械臂操作仿真数据集之一，完整数据集、训练代码和基准测试均已公开。V1 基于模拟 Franka Research 3 机械臂上的 207 项操作任务和 60,000 多种场景变体，包含超过 50,000 条由人工遥操作生成的仿真轨迹。
该数据集的下载量超过 160,000 次，成为 Hugging Face 上下载量最高的开源 Franka 操作仿真数据集。在基准测试中，基于 V1 进行持续预训练提升了 π0.5 的表现，并优于数据量匹配的 RoboCasa 基线；所有结果均已开放且可验证。
Axis Robotics 正在为物理 AI 打造终极的复利式数据引擎，这是一个垂直整合的系统，涵盖大规模仿真、第一人称视角的真实世界数据采集、人形机器人的移动操作，以及由人工把关的 DAgger 后训练。该公司获得了 1,200 万美元种子轮融资，由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 及天使投资人参与。
一场押注于“唯有干净数据”的逆向之战
机器人领域一个常见的假设是，示范数据一开始就必须接近最优——筛选出专家轨迹、标准化设置，并在安全地进行模仿之前丢弃所有带噪数据。Axis 的核心观点恰恰相反：数据质量体现在分布层面，而非单条轨迹上。当足够庞大且多元的群体产生带噪、次优的轨迹，且其中的错误互不相关时，噪声会相互抵消，训练过程中仍能形成有效的策略。
Axis Sim Dataset V1 将这一观点公之于众，接受检验。其轨迹涵盖抓取与放置、堆叠、倾倒、关节物体操作和工具使用，全部通过 Axis 基于浏览器的远程操控平台 Axis Hub 收集，参与者来自分布式群体，而非单一专家团队。该数据集由 Axis 与加州大学伯克利分校、约翰斯·霍普金斯大学、密歇根大学等机构的研究人员共同构建。
可扩展的成果
在 LIBERO-Plus 上，基于 V1 进行持续预训练后，π0.5 的成功率从 83.9% 提升至 88.8%，并比数据量相当的 RoboCasa365 基线高出 37.3%。随着预训练数据从数据集的 25% 增至 100%，性能持续提升，尚未显现饱和迹象。这表明，收益来自多样性与覆盖范围，而非一次性的性能跃升。在摄像头、传感器噪声和布局扰动下，性能提升最为显著；这些正是 Axis 在生成数据时进行随机化的维度。
团队表示，V2 已经启动，规模将扩展至 1,200 项任务中的 120 万条轨迹；跨本体泛化能力以及多个 VLA 模型的结果均表明，次优仿真数据也能训练出稳健的策略。
数据集背后的引擎
这个数据集只是一个更大、并持续复利增长的数据引擎所产出的成果之一。传统数据供应商按固定规格采集数据，完成后便止步；而 Axis 会根据模型表现和失败案例来决定下一步应采集什么，因此每一轮训练都会为下一轮提供参考。该引擎采用覆盖四条数据线的混合策略，如今四条线都已实现规模化运行：
- 仿真：Axis Hub 上有超过 20 万名分布式贡献者。Axis Hub 是 Base 上排名前三的 dApp，已产出超过 470 万条轨迹，覆盖 13 种本体。
- 第一人称视角：一个由 1,000 多名全职、接受过质量控制培训的采集人员组成的管理型网络，在真实家庭和企业环境中采集第一人称活动数据，覆盖 14 个行业：目前已积累超过 20 万小时，并以每天新增 4,000 多小时的速度增长，手部姿态经 Vicon 验证。
- 移动操作：通过不受硬件限制的遥操作，在真实人形机器人（Unitree G1、Booster T2）上采集兼具移动能力与灵巧操作的数据，累计超过 500 小时。
- 人工把关的 DAgger 后训练：500 多小时针对部署边缘场景进行的人机协同纠错。
每项任务和轨迹都会记录在 Base 链上，以确保来源可追溯；贡献者则会因经验证的工作质量获得奖励。
从开放数据到商业部署
除了开放仿真数据，Axis 还与机器人本体公司直接合作，构建定制化、针对特定机器人本体的数据流水线和模型先验。
作为 Booster Robotics 的首个仿真数据合作伙伴，Axis 将 Booster 的真实工作空间重建为与任务对齐的数字孪生，组织分布式贡献者在其中采集了 42,000 多个仿真回合，并将这些数据提炼为 Booster 专属的模型先验。仅用 30 次真实机器人演示，该先验的成功率便达到 87.5%，而开箱即用的 π0.5 成功率为 37.5%；它仅用一半的真实世界演示次数，便达到了 π0.5 的水平。
其他合作伙伴包括机器人本体公司（Feagine Robotics）、模型公司（Manycore Tech、Dexmal）以及工业自动化（Lotus Cars、Geely Auto）。Axis 还为链上机器人网络提供支持：Solana 上的 BitRobot 和 Bittensor 上的 OpenRoboto。
重塑物理 AI 的数据基础
“物理 AI 的未来，不是一个你下载一次就不再更新的静态数据集，”Axis Robotics 创始人 Chris Feng 表示。“它是一台持续产出模型下一步所需数据的引擎。规模带来广泛覆盖，多样性让噪声保持无偏，闭环则将每一次失败转化为进步。这才是能够持续累积的关键。”
Axis 由来自加州大学伯克利分校、卡内基梅隆大学、佐治亚理工学院和上海交通大学的研究人员，以及曾将消费级平台发展到超过 3,000 万用户的连续创业者共同创立。其研究由佐治亚理工学院助理教授 Jiachen Li 提供指导。
论文链接：
项目页面：
数据集链接：
GitHub 代码库：
来源：BeInCrypto
