Axis Robotics indonesia

🚨Axis Sim Training Live #1: Mastering "Wheeled Franka Tasks" 🤖⚙️ Ingin tahu cara mengoptimalkan kontrol robot dan menyelesaikan trajectory dengan efisien? Axis Robotics Indonesia bakal hadir dengan sesi baru yaitu Axis Sim Training Live. Apa saja yang akan kita bedah bersama? ▫️Pengenalan model robot Wheeled Franka vs Franka Arm standar. ▫️Panduan teknis pengontrolan dasar dan trik kombinasi tombol untuk mobilitas cepat. ▫️Strategi penyelesaian tugas secara efisien. ▫️Sesi Tanya-Jawab interaktif langsung bersama trainer. Catat Waktunya: 📅 Tanggal: 12 November 2026 ⏰ Waktu: 20:00 WIB (UTC+7) 📍 Platform: X Sesi ini terbuka untuk semua orang. Sampai jumpa gAxis! 🤖✨

6/6 Ketika data nyata langka, pemilihan yang cermat mendorong nilai data sim lebih dari volume mentah. Utilitas berbasis pengaruh dan cakupan menawarkan cara tertutup untuk memilih demo yang benar-benar transferable ke robot nyata. Project page: tuco-curation.github.io Paper: arxiv.org/abs/2610.05407 Code: github.com/Z-yiwei/tuco

5/6 Eksperimen Simulasi Kami memvalidasi kriteria tersebut dalam dua pengaturan simulasi dengan protokol yang sama, dirata-ratakan dari tiga seed. Single-simulator (RoboMimic). Sumber dan target berbagi satu simulator, yang mengisolasi kriteria kurasi dari kesenjangan domain apa pun. Pada Lift, Square, dan Transport, TUCO adalah yang terbaik atau seri-terbaik dalam 18 dari 25 pengaturan tugas-anggaran, dan menyamai pelatihan all-data pada Lift hanya dengan menggunakan 25% dari data. Sim-to-sim (IsaacSim ke MuJoCo). Demo dihasilkan dalam satu simulator dan dievaluasi dalam simulator lain, sebuah pengganti terkendali untuk kesenjangan sim-to-real. TUCO adalah yang terbaik dalam 15 dari 18 pengaturan dan di atas seleksi acak dalam semua 18. Pool IsaacSim lengkap bahkan merugikan CupCake, sementara subset yang dikurasi memberikan hasil terbaik pada setiap tugas.

4/6 Eksperimen Dunia Nyata Setiap tugas dimulai hanya dengan 10 demo nyata yang dioperasikan secara tele, jauh terlalu sedikit untuk melatih kebijakan secara mandiri (keberhasilan rata-rata 16,7%). Kemudian kami menambahkan demo simulasi dari tugas yang sama, baik semua 1.200 atau 600 yang dipilih oleh metode kurasi, selalu dengan rasio pencampuran real-ke-sim yang sama, dan mengevaluasi setiap kebijakan selama 40 uji coba pada lengan Franka. Memilih 600 tersebut dengan baik mengubah 10 demo nyata menjadi kebijakan yang berfungsi: TUCO mencapai keberhasilan rata-rata 85,8%, dibandingkan 25,8% untuk seluruh kumpulan 1.200 dan 600 acak. Keberhasilan per tugas (TUCO, semua sim, 10 real saja): • Peg: 82.5, 17.5, 15.0 • StackCube: 75.0, 40.0, 35.0 • CupCake: 100.0, 20.0, 0.0 Tiga pelajaran: • Kurasi mengalahkan kuantitas: setengah yang dipilih dengan baik jauh melampaui seluruh kumpulan. • Pengaruh loop tertutup adalah yang ditransfer: pada tugas Peg yang paling intensif kontak, kriteria kesamaan, kehilangan validasi, dan keragaman tetap pada atau di bawah 22,5%, sementara CUPID dan TUCO berbasis pengaruh mencapai 75,0% dan 82,5%. • Cakupan menambah utilitas: TUCO mengalahkan CUPID hanya utilitas pada setiap tugas, sebesar 12,5 pp rata-rata.

3/6 Metode Pipeline ini berjalan dalam tiga langkah. • Nilai setiap demo sim terhadap rollout target. Kebijakan dasar dijalankan di domain target, setiap rollout membawa return-nya sendiri. Untuk setiap demo, fungsi pengaruh bertanya: jika demo ini memiliki bobot lebih besar, rollout mana yang akan menjadi lebih mungkin dan mana yang kurang? Hasilnya adalah profil pengaruh, satu angka per rollout. • Baca utilitas dan cakupan dari profil tersebut. Memproyeksikan profil ke return rollout memberikan utilitas demo, dorongan bersihnya menuju kesuksesan. Sisanya adalah vektor cakupannya, rollout yang dibantunya. Vektor yang berbeda mengajarkan hal yang berbeda; yang serupa menandakan redundansi. • Pilih satu set, bukan peringkat. Buang kandidat yang mengarah menjauh dari kesuksesan, lalu tambahkan demo satu per satu, dengan memprioritaskan utilitas tinggi dan arah cakupan baru. Subset yang dipilih dilatih bersama dengan semua demo target.

7/7 Tautan Jelajahi AXIS-Bench dan sumber daya data yang lebih luas kami: Sumber Daya Proyek: Halaman Proyek: axis-bench.github.io Makalah: arxiv.org/abs/2610.18869 Kode: github.com/axis-bench/axis-b… Coba Axis Hub: hub.axisrobotics.ai Dataset: Axis Dataset V2: huggingface.co/datasets/axis… Pra Pelatihan: huggingface.co/datasets/axis… Tolok Ukur: huggingface.co/datasets/axis… Pelatihan Pra Sim-to-real: huggingface.co/datasets/axis… Kami berharap AXIS-Bench memungkinkan penelitian yang lebih dapat direproduksi tentang pembelajaran dari demonstrasi yang tidak sempurna.

3/7 Pengaturan Eksperimen Kami membandingkan tiga pendekatan yang sadar kualitas: pembobotan, penyaringan, dan pengkondisian, di seluruh dua definisi hadiah (berpusat pada objek dan sadar pendekatan) serta dua granularitas label (episode dan potongan aksi). Studi terkendali menggunakan 5.000 demonstrasi simulasi untuk pra-pelatihan di seluruh π₀.₅, SmolVLA, dan X-VLA. Setiap konfigurasi disesuaikan halus menggunakan 354 demonstrasi dan dievaluasi pada 24 tugas target, dengan 1.200 uji evaluasi.

2/7 Ide Demonstrasi manusia sering kali mengandung keraguan, jalan memutar, dan kemajuan yang tidak merata. Namun, haruskah sebuah VLA membuang segmen suboptimal, menurunkan bobotnya, atau belajar untuk mengkondisikan pada kualitasnya? AXIS-Bench dibangun di atas demonstrasi simulasi crowdsourced dengan keadaan objek dan kontak yang direkam serta lintasan yang dapat diputar ulang. Dengan menghitung ulang label kualitas pada lintasan yang sama, kita dapat membandingkan definisi dan granularitas yang berbeda secara setia.