Por Canuto  

Axis Robotics liberó un conjunto de datos con más de 50.000 trayectorias simuladas para entrenar robots Franka y publicó también su código y benchmarks. La startup sostiene que los datos diversos, incluso cuando son imperfectos, pueden producir políticas más robustas para la inteligencia artificial física.

***

  • Axis Sim Dataset V1 reúne más de 50.000 trayectorias, 207 tareas de manipulación y más de 60.000 variantes de escena.
  • El preentrenamiento elevó el desempeño de π0.5 en LIBERO-Plus de 83,9% a 88,8% y superó una línea base de RoboCasa.
  • La compañía prepara una segunda versión con 1,2 millones de trayectorias y recaudó USD $12 millones en financiación semilla.

 

 

Axis Robotics abrió al público Axis Sim Dataset V1, un conjunto de datos de simulación diseñado para entrenar sistemas de inteligencia artificial capaces de controlar robots Franka en tareas de manipulación.

La primera versión reúne más de 50.000 trayectorias teleoperadas por humanos, 207 tareas y más de 60.000 variantes de escena en un brazo Franka Research 3 simulado, mientras que el código de entrenamiento y los benchmarks también quedaron disponibles para revisión. El dataset superó las 160.000 descargas y, según la información difundida sobre su lanzamiento, se convirtió en el conjunto abierto de manipación Franka simulado más descargado en Hugging Face.

El anuncio se inserta en una carrera por conseguir datos que permitan a los robots desenvolverse fuera de entornos cuidadosamente controlados. En este contexto, una trayectoria representa la secuencia de movimientos que sigue un robot para completar una tarea, desde recoger y colocar un objeto hasta utilizar una herramienta o interactuar con una pieza articulada. Axis Robotics sostiene que la amplitud de escenarios puede ser tan importante como la precisión de cada demostración individual, especialmente cuando los modelos deben enfrentar cámaras, sensores y disposiciones físicas diferentes a las observadas durante el entrenamiento.

Un dataset construido para medir la escala

Axis Sim Dataset V1 cubre actividades de recoger y colocar, apilar, verter, manipular objetos articulados y emplear herramientas. Las demostraciones se capturaron mediante Axis Hub, una plataforma de teleoperación basada en navegador que permite a colaboradores distribuidos controlar brazos robóticos dentro de simulaciones, en lugar de depender exclusivamente de un pequeño grupo de especialistas. La compañía afirma que el conjunto fue construido junto con investigadores de UC Berkeley, Johns Hopkins, la Universidad de Michigan y otras instituciones académicas.

La plataforma ya habría reunido más de 4,7 millones de trayectorias en 13 embodiments con la participación de más de 200.000 colaboradores distribuidos. Axis describe Axis Hub como una dApp ubicada entre las tres principales de Base, y asegura que cada tarea y trayectoria se registra en la cadena para preservar la procedencia del material. Ese diseño vincula la producción de datos con un mecanismo de recompensas basado en la calidad verificada, aunque el valor principal del dataset sigue dependiendo de la utilidad que demuestre en modelos y robots concretos.

Los resultados publicados por la startup apuntan a una mejora medible en tareas de evaluación. En LIBERO-Plus, el preentrenamiento continuo con V1 elevó el porcentaje de éxito de π0.5 desde 83,9% hasta 88,8%, además de superar en 37,3% una línea base de RoboCasa365 con un volumen equivalente de información. Axis sostiene que los resultados son abiertos y verificables, un elemento relevante en un sector donde los datos privados y los procedimientos de evaluación dificultan comparar directamente las capacidades de distintos modelos.

El desempeño también aumentó de forma consistente cuando el entrenamiento pasó del 25% al 100% del conjunto disponible, sin señales de saturación en ese recorrido. Para Axis, esa progresión indica que las mejoras provienen de la diversidad y la cobertura de las escenas, y no de una ganancia puntual obtenida con una fracción específica del dataset. Las mayores diferencias aparecieron ante perturbaciones de cámara, ruido de sensores y cambios en la disposición de los objetos, precisamente los factores que la empresa introduce durante la generación de las simulaciones.

La tesis de los datos imperfectos

Una práctica habitual en robótica consiste en filtrar las demostraciones hasta conservar únicamente las trayectorias consideradas expertas, casi óptimas y altamente consistentes. El razonamiento es que un modelo imitativo podría aprender errores si recibe ejemplos desordenados, movimientos incompletos o decisiones subóptimas, por lo que la limpieza previa parece una forma directa de reducir riesgos durante el entrenamiento. Axis Robotics propone una hipótesis distinta: la calidad puede evaluarse a nivel de la distribución total de datos, y no solamente en cada trayectoria individual.

La empresa sostiene que una multitud amplia y diversa puede producir demostraciones ruidosas cuyos errores no estén correlacionados entre sí. En ese escenario, el ruido tendería a compensarse durante el aprendizaje, mientras que los patrones útiles para resolver una tarea podrían mantenerse y permitir la aparición de una política funcional. Axis Sim Dataset V1 busca probar esa idea públicamente al combinar recorridos humanos imperfectos con variaciones de escena, objetos, cámaras y condiciones sensoriales.

La propuesta no significa que cualquier dato resulte automáticamente útil para un robot, ni elimina la necesidad de evaluar fallos, sesgos y seguridad antes del despliegue. Su argumento es más específico: descartar de forma anticipada toda trayectoria que no parezca experta podría reducir la diversidad necesaria para generalizar a situaciones nuevas. La comparación con RoboCasa y el comportamiento observado bajo perturbaciones ofrecen una primera referencia, aunque las cifras anunciadas corresponden a los experimentos presentados por Axis y no constituyen una garantía de desempeño en todos los robots físicos.

La segunda versión del proyecto apunta a 1,2 millones de trayectorias distribuidas en 1.200 tareas. Axis afirma que V2 incorporará generalización entre embodiments y resultados en varios modelos de visión, lenguaje y acción, conocidos como VLA, con el objetivo de demostrar que datos simulados subóptimos pueden contribuir a políticas robustas. La escala proyectada también plantea una pregunta central para la industria: si la simulación puede reducir el costo de reunir demostraciones físicas sin sacrificar transferencia al mundo real.

Un motor de datos que aprende de los fallos

Axis Robotics presenta V1 como una pieza de un motor de datos acumulativo, no como un archivo aislado que los investigadores descargan una sola vez. En el modelo de la compañía, el rendimiento del sistema y los casos de fallo determinan qué debe recopilarse en la siguiente ronda, de modo que cada ciclo de entrenamiento orienta la producción posterior. Esa lógica convierte la adquisición de datos en un proceso adaptativo, donde las carencias del modelo sirven para definir nuevas tareas, escenas y demostraciones.

El esquema combina cuatro líneas de trabajo que la empresa asegura operar a gran escala. La primera es la simulación, con los colaboradores de Axis Hub; la segunda corresponde a la captura egocéntrica de actividad humana en hogares y negocios reales; la tercera reúne sesiones de locomoción y manipulación en humanoides; y la cuarta consiste en correcciones humanas mediante postentrenamiento DAgger. La combinación busca cubrir tanto movimientos de brazos aislados como problemas que aparecen cuando un robot debe desplazarse, interactuar con su entorno y corregir decisiones durante una tarea.

En la línea egocéntrica, Axis reporta una red gestionada de más de 1.000 recolectores a tiempo completo, capacitados en control de calidad, que capturan actividad en primera persona en 14 industrias. La compañía afirma haber acumulado más de 200.000 horas y superar actualmente las 4.000 horas diarias, con pose de manos verificada mediante Vicon. En paralelo, la división de locomoción y manipulación habría reunido más de 500 horas con humanoides Unitree G1 y Booster T2 mediante teleoperación independiente del hardware.

El postentrenamiento DAgger supervisado por humanos suma otras 500 horas de correcciones dirigidas a casos límite de despliegue, según Axis. DAgger es una técnica en la que las decisiones del modelo se revisan y corrigen durante el aprendizaje, lo que permite concentrar nuevas demostraciones en situaciones donde la política falla. La empresa afirma que esa información, junto con las demás trayectorias, queda registrada en Base para asegurar la procedencia y recompensar a los colaboradores por la calidad validada de su trabajo.

Del código abierto a los clientes industriales

La estrategia de Axis no se limita a publicar datos generales para investigadores, pues también contempla construir pipelines personalizados para empresas que desarrollan robots y modelos. La startup trabaja con fabricantes de embodiments para generar gemelos digitales de espacios reales y producir priors específicos para cada plataforma, con la expectativa de reducir la cantidad de demostraciones físicas necesarias. En robótica, un embodiment incluye la configuración concreta del cuerpo, sensores y actuadores sobre la que debe operar un modelo, por lo que un prior especializado puede ofrecer ventajas frente a una política genérica.

Como primer socio de datos de simulación de Booster Robotics, Axis reconstruyó el espacio de trabajo real de esa compañía en un gemelo digital alineado con las tareas que debía ejecutar el robot. Después, colaboradores distribuidos recopilaron más de 42.000 episodios simulados sobre ese entorno y los destilaron en un prior específico para Booster. Con 30 demostraciones en un robot real, ese prior alcanzó un éxito de 87,5%, frente a 37,5% para un π0.5 de fábrica, y llegó al desempeño de π0.5 utilizando la mitad de las demostraciones del mundo real, de acuerdo con los resultados comunicados por Axis.

La red comercial anunciada por la startup incluye a Feagine Robotics entre las empresas de embodiments, a Manycore Tech y Dexmal entre las compañías de modelos, y a Lotus Cars y Geely Auto dentro de la automatización industrial. Axis también señala acuerdos de suministro con redes de robótica en la cadena, entre ellas BitRobot en Solana y OpenRoboto en Bittensor. Estos vínculos muestran que la empresa intenta posicionar sus datos como una infraestructura transversal, aunque cada resultado dependerá de la compatibilidad entre el simulador, el modelo y el hardware final.

La compañía fue fundada por investigadores de UC Berkeley, Carnegie Mellon University, Georgia Tech y SJTU, junto con emprendedores que previamente escalaron plataformas de consumo a más de 30 millones de usuarios. Su investigación cuenta con la asesoría de Jiachen Li, profesor asistente en Georgia Tech, mientras que Chris Feng ocupa el cargo de fundador de Axis Robotics. La startup recaudó USD $12 millones en financiación semilla, ronda liderada por Hack VC con participación de Nomad Capital, Pi Network Ventures, 10K Ventures e inversores ángeles.

La apuesta por una base de datos que no se detiene

Chris Feng resumió la tesis de la compañía al afirmar que el futuro de la inteligencia artificial física no consiste en descargar una base de datos estática una sola vez, sino en operar un motor que produzca continuamente la información que el modelo necesita a continuación. En su planteamiento, la escala ofrece cobertura, la diversidad evita que el ruido concentre sesgos y el circuito cerrado convierte cada fallo en progreso. La frase condensa una diferencia estratégica frente a los proveedores que recopilan según una especificación fija y detienen el proceso una vez entregado el lote.

Para los desarrolladores de robots, el beneficio potencial está en acelerar el paso entre una política entrenada y una máquina capaz de actuar en entornos variables. La simulación permite ampliar tareas y condiciones con menor exposición a daños físicos, mientras que la captura egocéntrica y la corrección humana pueden aportar información sobre comportamientos que el mundo virtual no reproduce bien. Aun así, la transferencia entre simulación y realidad continúa siendo el punto crítico, porque un buen resultado en LIBERO-Plus no equivale por sí solo a un despliegue seguro en hogares, fábricas o negocios.

La publicación de V1 ofrece a investigadores externos una base para reproducir experimentos, modificar el entrenamiento y contrastar el efecto de la diversidad sobre las políticas robóticas. También permite examinar si el rendimiento mejora por la variedad de tareas, por la aleatorización de las escenas o por la interacción de ambos factores, algo que los benchmarks abiertos pueden ayudar a separar. La disponibilidad del conjunto completo, el código y las métricas reduce parte de la opacidad que suele rodear a los datos utilizados por empresas privadas.

El siguiente desafío será demostrar que la expansión desde 50.000 hasta 1,2 millones de trayectorias conserva calidad, trazabilidad y utilidad práctica, en lugar de convertir la escala en un objetivo independiente. Si Axis consigue vincular cada nueva ronda con fallos concretos y mejoras verificables entre distintos embodiments, su enfoque podría influir en cómo se financian y organizan los datos para robots. Por ahora, V1 representa una apuesta pública por que la diversidad, incluso con imperfecciones, puede convertirse en una ventaja competitiva para la inteligencia artificial física.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados