💻 computer science

AXIS: A Growable Community-Driven Data Engine for Scalable Robot Manipulation

Dit artikel introduceert AXIS, een schaalbare, door de gemeenschap gedreven data-engine en benchmark die gebruikmaakt van browsergebaseerde teleoperatie en geautomatiseerde gegevensverwerking om een grootschalige dataset van diverse robotmanipulatietaken te genereren, waarmee wordt aangetoond dat voortdurende pretraining op deze data de prestaties van beleid en het schaalgedrag aanzienlijk verbetert in vergelijking met bestaande modellen.

Oorspronkelijke auteurs: Mengfei Zhao, Dihong Huang, Yikai Tang, Peihao Li, Mingxuan Yan, Ruiqi Zhuang, Yanjia Huang, Jie Wang, Hai Zhai, Tony Zhou, Rui Zhang, Zhexi Luo, Yuchen Huang, Jianfei Yang, Jiachen Li

Gepubliceerd 2026-07-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mengfei Zhao, Dihong Huang, Yikai Tang, Peihao Li, Mingxuan Yan, Ruiqi Zhuang, Yanjia Huang, Jie Wang, Hai Zhai, Tony Zhou, Rui Zhang, Zhexi Luo, Yuchen Huang, Jianfei Yang, Jiachen Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren hoe hij huishoudelijke taken moet uitvoeren, zoals het oppakken van een speelgoedje en het in een doos leggen. Om te leren, moet de robot eerst duizenden voorbeelden van iemand die de taak uitvoert bekijken. Dit wordt "imitation learning" genoemd. In het verleden was het verzamelen van deze voorbeelden alsof je een klein leger van experts inhuurde die naast een echte robot stonden om zijn armen te begeleiden met speciale controllers. Het was duur, traag en beperkt tot slechts een paar specifieke taken. Maar wat als je het hele internet tot een klaslokaal kon veranderen? Wat als je iedereen met een webbrowser kon laten helpen om de robot te onderwijzen, en vervolgens een super slimme computer kon gebruiken om die rommelige menselijke pogingen om te zetten in perfecte, gepolijste lessen? Dit is de grote vraag achter het nieuwe artikel: Hoe bouwen we een systeem voor het leren van robots dat nooit ophoudt met groeien, beter wordt met meer hulp, en geen miljoen dollar aan hardware nodig heeft om te beginnen?

Het artikel introduceert AXIS, een "groeiende, door de gemeenschap gedreven data-engine" die ontworpen is om precies dit probleem op te lossen. Denk aan AXIS als een enorme, interactieve videogame waarin miljoenen mensen vanaf hun computer kunnen inloggen om een simpel spelletje te spelen: "Pak de blauwe blok en leg hem op de rode plaat." Maar in plaats van alleen voor de lol te spelen, wordt elke beweging die de spelers maken geregistreerd en naar een robotbrein gestuurd. Het addertje onder het gras? De spelers besturen geen echte robot; ze besturen een virtuele robot in een webbrowser. Dit maakt het gemakkelijk voor iedereen om overal deel te nemen, zonder speciale apparatuur nodig te hebben.

Zodra de data binnenkomt, fungeert AXIS als een super-efficiënte redacteur. Menselijke spelers zijn geweldig in het laten zien wat er moet gebeuren, maar ze zijn vaak slordig. Ze pauzeren misschien te lang, schudden met de controller of missen het doel. AXIS ruimt deze opnames automatisch op. Het verwijdert de "aarzeling" (de pauzes), vlakt de schokkerige lijnen uit en controleert of de taak daadwerkelijk succesvol is voltooid. Daarna wordt het creatief. Het neemt één goed voorbeeld en creëert duizenden variaties: verandert de verlichting, verplaatst de meubels, maakt de vloer glad of verandert de textuur van de objecten. Dit is als het nemen van één recept voor een cake en het direct genereren van duizenden versies met verschillende spikkels, smaken en baktijden, zodat de robot leert een cake te bakken, ongeacht hoe de keuken eruitziet.

Het artikel stelt vast dat deze aanpak ongelooflijk goed werkt. Door een robotbeleid (policy) te trainen op deze enorme, opgeschoonde en gevarieerde dataset, wordt de robot veel beter in het afhandelen van nieuwe situaties. Wanneer de onderzoekers hun systeem testten, ontdekten ze dat een robot die getraind is op de volledige AXIS-dataset (die meer dan 50.000 trajecten en 207 verschillende taken bevat) zijn succespercentage met 5,8% verbeterde vergeleken met een standaard baseline. Nog indrukwekkender is dat het een vergelijkbaar systeem dat getraind is op een andere, grote dataset met 37,3% overtrof. Dit suggereert dat de kwaliteit en diversiteit van de AXIS-data—afkomstig van echte mensen en zwaar uitgebreid door computers—veel waardevoller zijn dan alleen het hebben van een enorme hoeveelheid ruwe data.

De resultaten laten ook zien dat de robot beter wordt naarmate hij meer data ziet. Wanneer het team de robot testte met slechts 25%, 50% en 100% van de AXIS-data, klommen de succespercentages gestaag van 84,7% naar 85,7% en uiteindelijk naar 88,8%. De robot werd vooral goed in het afhandelen van "lastige" situaties, zoals wanneer de camerahoek veranderde, de verlichting vreemd was of de objecten op onverwachte plaatsen lagen. Dit bewijst dat het "groeiende" karakter van AXIS—waarbij de dataset kan blijven uitbreiden naarmate meer mensen zich aansluiten—een robot creëert die robuust is en klaar voor de echte wereld.

Kortom, AXIS is niet zomaar een dataset; het is een levende engine. Het zet de chaotische, diverse en soms slordige acties van duizenden internetgebruikers om in een gestructureerd, hoogwaardig curriculum voor robots. Het suggereert dat de toekomst van robotleren niet ligt bij een handvol experts in een laboratorium, maar bij een wereldwijde gemeenschap die samenwerkt, waarbij computers het zware werk doen om die collectieve inspanningen om te zetten in super-slimme robotvaardigheden. Hoewel het artikel opmerkt dat de stap van de simulatie naar een echte fysieke robot nog een uitdaging is, tonen de resultaten in de virtuele wereld een duidelijke weg vooruit: hoe meer we onderwijzen, hoe beter de robots leren.

Technische Samenvatting: AXIS: Een Groeiende, Door de Gemeenschap Gedreven Data-engine voor Schaalbare Robotmanipulatie

Probleemstelling

Het aanleren van effectieve robotmanipulatiebeleid vereist diverse, hoogwaardige demonstratiedata. Bestaande datapijplijnen kampen echter met significante schaalbaarheidsbeperkingen. Huidige benaderingen vertrouwen vaak op gespecialiseerde hardware, gecentraliseerde operators of vaste takenpakketten, wat resulteert in datasets die veel langzamer groeien dan de modellen die ze bedoeld zijn te trainen. De meeste publieke manipulatiedatasets zijn statische, eenmalige releases die geen ondersteuning bieden voor continue taakuitbreiding, brede gemeenschapsdeelname of snelle iteratie naarmate robotcapaciteiten evolueren. De fundamentele beperking is dat dataverzameling grotendeels gesloten en gecentraliseerd blijft, zonder infrastructuur om continu uit te breiden over taken, objecten, scènes en fysieke variaties.

Methodologie

De auteurs presenteren AXIS, een door de gemeenschap gedreven data-engine en benchmark die taakgeneratie, webgebaseerde teleoperatie, dataverfijning, realistische augmentatie en beleidsleren verenigt. Het systeem is gestructureerd in drie nauw geïntegreerde lagen:

1. Infrastructuurlayer: Browsergebaseerde Teleoperatie en Geautomatiseerde Generatie

AXIS maakt gebruik van MuJoCo-WASM om browsergebaseerde teleoperatie mogelijk te maken, waardoor de noodzaak voor lokale simulatorinstallaties of gespecialiseerde hardware vervalt. Gebruikers interageren via standaard invoerapparaten om een gesimuleerde Franka Research 3 robot met een parallelle grijper aan te sturen.

Taakgeneratie: Nieuwe taken worden automatisch gegenereerd vanuit hoogwaardige natuurlijke taalinstructies, object-assets (inclusief Hunyuan 3D assets) en geparametriseerde scène-indelingen.
Validatie: Een gestructureerde succeschecker valideert de voltooiing van de taak.
Collectie: Demonstraties worden verzameld via een webinterface, die een breed scala aan gedragingen ondersteunt, waaronder pakken-en-plaatsen, stapelen, duwen, gieten en gereedschapsgebruik.

2. Datasetlaag: Verfijnings- en Augmentatiepijplijn

Ruwe gemeenschapsdemonstraties worden getransformeerd tot trainingsgereed data via een rigoureuze geautomatiseerde pijplijn:

Schoonmaken & Verfijning: Het systeem voert offline datacleaning uit, inclusل hesitatieverwijdering, kwaliteitsfiltering en trajectsmoothing (met behulp van Savitzky-Golay filters) om jitter en haperingen te verwijderen. Statische segmenten en gecorrumpeerde frames worden verwijderd.
Standaardisatie: Trajecten worden gehersampled naar een vaste besturingsfrequentie (20 Hz) en geserialiseerd in een uniform formaat met taakmetadata, robottoestanden, acties en succeslabels.
Augmentatie: Schone demonstraties worden opnieuw afgespeeld in IsaacSim voor visuele en fysica-gebaseerde augmentatie. Dit omvat:
- Fysieke Randomisatie: Variëren van objectposities, rommel, massa, wrijving en dynamica.
- Visuele Randomisatie: Randomiseren van camerastandpunten, verlichting, texturen en achtergronden.
- Dit proces breidt de dataset uit naar meer dan 60.000 scènevarianten zonder dat er extra menselijke demonstraties nodig zijn.

3. Modellaag: Evaluatie en Schalingsprotocol

AXIS organiseert data in versioneerde taak-snapshots (AXIS-25%, AXIS-50%, AXIS-100%) om gecontroleerde schalingsstudies mogelijk te maken.

Evaluatie: Een systematisch held-out protocol evalueert beleid op de LIBERO-Plus benchmark, die perturbaties bevat over zeven assen: Camera, Licht, Sensornoise, Achtergrond, Lay-out, Taal en Robotpose.
Training: Het framework ondersteunt het trainen van zowel conventionele visuomotorische imitatieleerbeleid als Vision-Language-Action (VLA) modellen.

Belangrijkste Bijdragen

AXIS Infrastructuur: Een webgebaseerd, door de gemeenschap gedreven platform voor schaalbare manipulatie-dataccollectie met behulp van browsergebaseerde MuJoCo-WASM teleoperatie en geautomatiseerde taakgeneratie.
Groeiende Dataset: Een dataset bestaande uit 207 diverse taken en 50.000+ menselijke demonstratietrajecten, verwerkt via een uniforme pijplijn voor trajectstandaardisatie, succesvalidatie, kwaliteitsfiltering en IsaacSim-gebaseerde augmentatie.
Systematisch Evaluatieprotocol: Een framework voor het bestuderen van beleidsleren en dataset-schaling met behulp van vaste held-out evaluatiesets en progressief grotere trainingssnapshots (AXIS-25%/50%/100%).

Experimentele Resultaten

De auteurs evalueerden AXIS door het $\pi_0.5$ VLA-model te trainen op verschillende datavolumes en fijn te stemmen op de LIBERO-Plus benchmark.

Voordelen van Continue Pretraining: Continue pretraining van $\pi_0.5$ op de volledige AXIS-100% dataset verbeterde het algemene LIBERO-Plus succespercentage met 5,8% vergeleken met de vanilla $\pi_0.5$ baseline.
Vergelijking met Baselines: Het AXIS-voorgetrainde model presteerde beter dan een volume-gematchte RoboCasa365 continue pretraining baseline met 37,3% (88,8% vs. 57,5% totaal succespercentage). Dit geeft aan dat de winst specifiek is voor de diversiteit van de AXIS-pijplijn in plaats van enkel de toegenomen datavolume.
Schaalgedrag: Prestaties schaalden consistent met de datasetgrootte:
- AXIS-25%: 84,7% succespercentage
- AXIS-50%: 85,7% succespercentage
- AXIS-100%: 88,8% succespercentage
Robuustheidsanalyse: De grootste verbeteringen werden waargenomen bij perturbaties die expliciet gericht waren op de IsaacSim-augmentatiepijplijn:
- Sensornoise: +13,7% verbetering ten opzichte van vanilla.
- Camera: +11,3% verbetering.
- Lay-out: +2,6% verbetering.
  Het model vertoonde ook winst in taal- en robotpose-variaties, wat suggereert dat blootstelling aan diverse taken en gedragingen de algemene manipulatie-representaties verbetert buiten specifieke perturbatietypes om.

Betekenis en Claims

Het artikel claimt dat AXIS een praktisch pad biedt naar schaalbare robotmanipulatie door de verschuiving van statische, gecentraliseerde dataverzameling naar een groeiend, door de gemeenschap gedreven ecosysteem.

Meetbare Groei: In tegen tegenstelling tot eerdere eenmalige releases, organiseert AXIS data in snapshots, waardoor datasetgroei meetbaar is en gecontroleerde studies mogelijk zijn naar hoe de prestaties van beleid schalen met datavolume.
Kwaliteit vs. Schaal: Het systeem demonstreert dat brede gemeenschapsparticipatie kan worden verzoend met hoge kwaliteitseisen voor data door middel van geautomatiseerde validatie, opschoning en augmentatie.
Generalisatie: De resultaten suggereren dat de diversiteit van omgevingen, taken en menselijke gedragingen in de AXIS-pijplijn leidt tot robuustere beleid die beter generaliseert naar distributieverschuivingen (bijv. veranderingen in verlichting, sensornoise en lay-out) vergeleken met modellen die getraind zijn op andere grootschalige gesimuleerde datasets van vergelijkbare omvang.

De auteurs erkennen dat het huidige systeem zich richt op gesimuleerde tafelmanipulatie en dat sim-to-real transfer een openstaand vraagstuk blijft, waarbij toekomstig werk gepland is voor meer robot-embodiments en taken met een langere horizon.