Le goulot d'étranglement des données en apprentissage robotique
Des politiques de manipulation robotique efficaces dépendent de démonstrations variées et de haute qualité — mais la mise à l'échelle de la collecte de données reste un défi persistant. Les pipelines existants reposent souvent sur du matériel spécialisé, des opérateurs centralisés ou des ensembles de tâches fixes, ce qui rend difficile la croissance organique des jeux de données à mesure que les modèles s'améliorent.
La plateforme AXIS
AXIS résout ce goulot d'étranglement avec un moteur de données piloté par la communauté qui permet la téléopération par navigateur, autorisant toute personne disposant d'un navigateur web à contribuer des démonstrations. La plateforme génère et valide automatiquement de nouvelles tâches de manipulation, puis transforme les démonstrations collectées par la communauté en données prêtes à l'entraînement grâce à une vérification automatisée de la réussite, un filtrage qualité, un lissage des trajectoires et une augmentation visuelle et physique.
Le jeu de données AXIS actuel contient 207 tâches variées et plus de 50 000 trajectoires. Les tâches couvrent la manipulation à un bras, la coordination à deux bras, l'utilisation d'outils et des tâches procédurales longues, organisées en instantanés de tâches avec des protocoles d'évaluation systématiques sur des données exclues.
Résultats clés
L'équipe de recherche a évalué des politiques vision-langage-action (VLA) à l'aide d'une suite d'évaluation AXIS unifiée et a analysé le comportement de mise à l'échelle selon différents volumes de données. Les résultats démontrent des effets d'échelle clairs :
- Le pré-entraînement continu sur AXIS améliore le taux de réussite global de π0,5 de 5,8 % par rapport à la base de référence
- Les modèles pré-entraînés sur AXIS surpassent ceux pré-entraînés sur RoboCasa365 de 37,3 %
- Les gains les plus importants apparaissent sous perturbations de disposition, bruit de module de perception et variations de caméra — des conditions qui reflètent le plus fidèlement les défis du déploiement réel
- Les taux de réussite augmentent de manière constante avec le volume de données, ce qui suggère une marge de progression continue pour la croissance des données communautaires
Implications plus larges
L'approche AXIS représente un changement de paradigme dans la manière dont les données d'apprentissage robotique sont collectées et organisées. En abaissant la barrière de contribution du matériel spécialisé à n'importe quel navigateur web, la plateforme exploite un réservoir beaucoup plus vaste de démonstrateurs humains. Ce modèle communautaire pourrait accélérer les progrès de l'IA incarnée de la même manière que les jeux de données open source ont transformé la vision par ordinateur et le traitement du langage naturel il y a une décennie.
Le projet est open-source, avec le code, le jeu de données et le benchmark disponibles sur le site web du projet, invitant l'ensemble de la communauté robotique à la fois à contribuer des démonstrations et à évaluer leurs politiques sur le benchmark AXIS.
