2026年9月4日 – Axis Robotics 发布了 Axis Sim Dataset V1，这是用于 Franka 机械臂操作的最大规模开源仿真数据集之一，完整数据集、训练代码和基准测试均已公开发布。V1 基于超过 50,000 条人工遥操作仿真轨迹构建，涵盖 207 个操作任务和在模拟 Franka Research 3 机械臂上的 60,000 多种场景变体。
该数据集已获得超过 160,000 次下载，使其成为 Hugging Face 上下载量最大的开源仿真 Franka 操作数据集。在基准测试中，在 V1 上进行持续预训练提升了 π0.5 的性能，并超越了同等数据量的 RoboCasa 基线，所有结果均公开且可验证。
Axis Robotics 正在为物理AI构建终极的复合数据引擎，这是一个垂直集成的系统，涵盖大规模仿真、以自我为中心的真实世界捕捉、人形机器人移动操作以及由人类把关的DAgger后训练。该公司获得了由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 和天使投资人参与的 1200 万美元种子轮融资。
对“仅限洁净数据”设想的挑战
机器人学中的一个常见假设是，示范数据从一开始就必须接近最优——筛选出专家轨迹，标准化设置，并在模仿学习开始前丢弃所有有噪声的数据。Axis 的观点恰恰相反：数据质量体现在分布层面，而非单个轨迹层面。当一个足够庞大和多样的人群产生嘈杂、次优的轨迹且其误差不相关时，噪声会相互抵消，一个有效的策略将在训练过程中保留下来。
Axis Sim Dataset V1 将这一观点付诸公开测试。其轨迹涵盖拾取放置、堆叠、倾倒、关节对象操作和工具使用，所有数据均通过 Axis 基于浏览器的遥操作平台 Axis Hub，由分布式的普通人群（而非单一专家团队）收集完成。该数据集是与来自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的。
可扩展的结果
在 LIBERO-Plus 基准测试上，使用 V1 进行持续预训练将 π0.5 的成功率从 83.9% 提升至 88.8%，并以 37.3% 的优势超越了同等数据量的 RoboCasa365 基线。随着预训练数据从数据集的 25% 扩展到 100%，性能持续提升，未出现饱和迹象，证明性能提升源于数据多样性和覆盖率，而非一次性增益。最大的改进出现在摄像机、传感器噪声和布局扰动条件下，这些正是 Axis 在数据生成过程中随机化的维度。
该团队表示 V2 已在开发中，规模将扩大到 1,200 个任务下的 120 万条轨迹，并展示了跨具体化（cross-embodiment）泛化能力以及跨多个 VLA 模型的结果，表明次优的仿真数据也能训练出鲁棒的策略。
数据集背后的引擎
该数据集是一个更大、持续复合增长的数据引擎的产出之一。传统数据供应商按照固定规范收集数据然后停止，而 Axis 则根据模型性能和失败案例来决定下一步应该收集什么，从而使每一轮训练都为下一轮提供信息。该引擎采用跨四条数据线的混合策略，目前所有四条线均已规模化运行：
- 仿真：在 Axis Hub（Base 链上排名前三的 dApp）上，超过 200,000 名分布式贡献者已在 13 种具体化机器人上生成了 470 万+条轨迹。
- 自我中心视角：一个由 1,000 多名经过质量控制培训的全职采集员管理的网络，在 14 个行业的真实家庭和商业环境中捕捉第一人称活动数据：已存储 200,000+ 小时，且每天以 4,000+ 小时的速度增长，并提供 Vicon 验证的手部姿态数据。
- 移动操作：通过硬件无关的遥操作，在真实人形机器人（Unitree G1, Booster T2）上结合移动性与灵巧性，积累了 500+ 小时数据。
- 人类把关的 DAgger 后训练：针对部署边缘案例，进行了 500+ 小时的人机协作纠正数据收集。
每个任务和轨迹都在 Base 链上记录以确保可追溯性，贡献者因其经过验证的工作质量而获得奖励。
从开放数据到商业部署
除了开源仿真数据，Axis 还直接与机器人具体化公司合作，构建定制化、针对特定具体化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任务对齐的数字孪生体，让分布式贡献者在其上收集了 42,000+ 条仿真记录，并将其提炼为一个 Booster 专用的模型先验。仅使用 30 个真实机器人演示，该先验就达到了 87.5% 的成功率，而未经调整的 π0.5 仅为 37.5%，达到了使用一半真实世界演示数据的 π0.5 的水平。
其他合作伙伴涵盖具体化公司（Feagine Robotics）、模型公司（Manycore Tech, Dexmal）和工业自动化公司（Lotus Cars, Geely Auto）。Axis 还为链上机器人网络（如 Solana 上的 BitRobot 和 Bittensor 上的 OpenRoboto）提供支持。
重新定义物理AI的数据基础
“物理AI的未来不是一次性的静态数据集，” Axis Robotics 创始人 Chris Feng 说，“而是一个持续产生模型下一步所需数据的引擎。规模带来广泛的覆盖率。多样性保持噪声的无偏性。闭环将每一次失败转化为进步。这就是复合增长。”
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扩展到超过 3000 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 担任顾问。
论文链接：https://arxiv.org/abs/2607.21588
项目页面：https://axisaiorg.github.io/AXIS-V1/
数据集链接：https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Github 代码库：https://github.com/AxisAIOrg/Axis-V1-Training
