Axis中文俱乐部

Axis中文俱乐部由社区驱动，
致力推动 Axis Robotics在华语区的发展，
引入华语力量，提升Axis Robotics全球影响力。@axisrobotics

[Axis中文俱乐部 @Axis_CN]

奖励：

完成的 BitRobot 合作任务同样计入常规的 Axis 任务中，可用于获取徽章奖励。例如，如果你连续 7 天完成 BitRobot 合作任务，这些任务将计入“养成习惯”徽章的获取要求中。

除了 Axis 平台的奖励之外，参与者在完成合作任务时，还能因自己的有效贡献而获得 BitRobot 积分。

关于 BitRobot 积分和奖励的更多详细信息，将通过官方渠道公布。

用户体验： 无需进�� Solana 交易签名。也不需要支付 SOL 燃气费。

用户操作流程与常规的 Axis 任务相同：登录、完成任务、然后退出。

@axisrobotics

[Axis中文俱乐部 @Axis_CN]

宣布我们与 @BitRobotNetwork 的合作关系！

Axis 正在 Solana 上的开源机器人实验室 BitRobot 上推出 SN/04。BitRobot 致力于协调各个分布式团队，以加速物理人工智能领域的研究进展。

SN/04 是一项远程机器人模拟任务：参与者通过完成基于网络的机器人模拟任务，从而生成有价值的训练数据，并从两个生态系统中获得奖励。

我们一起致力于推动物理人工���能的发展——这一进程离不开所有人的共同努力。

具体规��和细节如下 ↓

[Axis中文俱乐部 @Axis_CN]

任务可用性：

SN/04 正在逐步推出中。在初始阶段，每天会有大约 10 个由 BitRobot 协助完成的任务可供用户使用。预计随着时间的推移，会有更多任务被添加进来。

BitRobot 的合作任务以及常规的 Axis 任务，都会在格林尼治标准时间+8 区的晚上 8 点/世界协调时中午 12 点发布。

所有 BitRobot 合作任务都遵循“先到先得”的原则。这些任务不会被预先预留，因此，根据参与者的需求，任务的可用性可能会迅速发生变化。

这项合作仍在进行中，目前没有确定的结束日期。

[Axis中文俱乐部 @Axis_CN]

https://t.co/I5LRzvn8Bh

[Axis中文俱乐部 @Axis_CN]

https://t.co/26cCjeYAaC

[Axis Robotics @axisrobotics]

Axis Robotics is actively supporting and collaborating with leading researchers in Physical AI.

If you’re at ICRA or CVPR this week, come connect with our advisors and team at the workshops.

See you in Vienna and Denver.

[Axis Robotics @axisrobotics]

Axis Weekly

This week was about trust and transfer: making community data cleaner, generated tasks broader, and trained policies more robust as they move from simulation to real robots.

Key updates:

- Data quality: We completed a suspicious-user audit script to detect abnormal collection behavior using user statistics and replay/verify failure reasons.

- Webapp and simulation: We improved key gripper and asset interactions, including penetration, heavy-object grasping, and IK flexibility.

- Recover-from-failure: We tested Failure Task 892 and collected 300+ failure initial states, with the next round moving to repaired and more randomized tasks.

- TaskGen: Articulated-object generation is now merged into the automatic generation pipeline, covering cabinets, dishwashers, drawers, and existing randomization workflows.

- Model and real-world stack: We completed the first round of fine-tuning, evaluation, and benchmarking, merged the π0.5 evaluation pipeline into the real-world stack, and started bringing a new embodiment into the loop.

A closer look at this week’s progress 🧵

[Axis中文俱乐部 @Axis_CN]

在模型方面，我们已经完成了第一轮的微调、评估和基准测试工作。

目前，我们正在调整数据处理方式，以提升模型性能。 π0.5 评估流程已整合到实际应用系统中。现在，Web 政策推理功能可以加载模型检查点以进行在线部署；同时，RoboVerse 项目正在研究数据集规模的扩展问题，并将物体的几何信息纳入训练过程中。

我们也开始将一种新的实现方式引入到实际验证流程中。具体细节尚不清楚，但我们的目标是将以模拟训练为主的流程与更广泛的现实世界中的机器人测试相结合。

https://t.co/IKHSa5Rtgs

[Axis中文俱乐部 @Axis_CN]

Axis Weekly

本周的主题是信任与数据共享：让社区数据更加清晰、所生成的任务更具多样性，同时确保各项政策在从模拟环境应用到真实机器人时的稳定性。

主要更新内容：

- 数据质量：我们��定了用于检测可疑用户的审计脚本，通过分析用户数据以及重新模拟/验证各种故障原因，来发现异常的数据收集行为。

– Web 应用与仿真功能：我们提升了夹持器与各种物体的交互效果，包括物体插入、重物抓取以及关节运动的灵活性等方面。

– 故障恢复能力：我们对任务 892 进行了故障测试，收集了 300 多个故障初始状态。下一轮测试将针对已修复的设备及更多随机选择的任务进行。

– TaskGen：现在，与物体相关的生成功能已被整合到自动生成流程中。这一流程涵盖了橱柜、洗碗机、抽屉等物品的生成，同时也涵盖了现有的各种随机化处理流程。

– 模型与实际应用环境的整合：我们已经完成了第一轮的微调、评估和基准测试工作。同时，我们将π0.5 评估流程整合到了实际应用环境中，并开始将新的实现方式应用到实际系统中。

仔细看看本周的进展�� 🧵

[Axis中文俱乐部 @Axis_CN]

在 TaskGen 方面，与物体相关的生成功能已被整合到自动生成流程中。

TaskGen 现在支持橱柜、洗碗机、抽屉等物品的建模，同时仍能与现有的随机化处理流程保持兼容性。

共有 27 项任务已经准备好被收集，另外还有 9 项任务正在生成中。多形态任务和思维链相关任务的生成功能也已启用。

这使得 TaskGen 能够超越单纯的刚体操作功能，从而处理更复杂的、需要处理长距离运动和多关节物体控制的任务。

[Axis中文俱乐部 @Axis_CN]

https://t.co/QLWNtSahPU

[Axis中文俱乐部 @Axis_CN]

在模型训练方面，我们对多任务预训练进行了交叉模拟评估。

通过在 IsaacLab 上对 84 个轴相关的任务进行预训练，再在 MuJoCo 上对任务 684 进行微调，我们实现了 1001#40%的跨模拟环境成功率。这一成果表明，我们的数据与生成流程确实有助于实现跨模拟环境的策略迁移学习，是个令人鼓舞的初步成果。

为了进一步强化“零样本”从仿真到真实的转换效果，我们更新了相关的随机化处理方案。接下来的重点是将随机化处理扩展到摩擦力、质量以及阻尼等物理参数上；同时，我们还将对 Franka 机器人的初始状态进行随机化处理，以避免在系统初始化时出现物体碰撞的情况。

这些变化共同使得训练数据在物理特性上更加多样化，同时也更符合现实世界的各种约束条件。

@axisrobotics

[Axis中文俱乐部 @Axis_CN]

Axis Weekly

《轴心周刊》 本周，我们致力于让机器人相关的数据处理流程更加易于测量和重���使用：将真实用户的操作数据与机器人的操作数据区分开来，将 TaskGen 的功能扩展到能够处理复杂物体的任务上，同时还将数据到模型的处理流程转化为可重复使用的服务。

��要更新内容：

- 数据质量：任务 805 的失败率之所以如此之高，是因为恶意程序的干扰，而非真实玩家的缘故。
– TaskGen：为即将到来的更新而准备的代码库。该更新将支持根据用户输入的提示，自动生成与具体物体相关的任务。
– 模拟与数据基础设施方面：已修复了相关资产中的漏洞，自动故障恢复机制也即将全面投入使用。
- 模型训练：在跨模拟评估中取得了 1001#40%的准确率（从 IsaacLab 到 MuJoCo 的评估）。
- 从仿真到真实世界：更新了领域随机化方案，以显著提升物理参数的多样性。

仔细看看本周的进展吧 🧵

[Axis中文俱乐部 @Axis_CN]

在模拟与数据基础设施方面，我们继续解决了最新一批资产中存在的问题，包括延迟���卡顿、抓取失败以及物体穿透等问题。

从故障中恢复的流程也即将与产品整体功能实现集成。模型导出和网页端集成已经完成，剩下的工作就是将最新的模型数据���合到部署流程中。

我们还添加了自动化的脚本，用于处理各种故障状态的选取、数据收集、模型训练、性能评估、故障任务的生成、并行处理、故障检测、最终结果汇总以及静态回放数据的过滤等工作。

接下来，我们将收集新的数据，并对更多随机化处理后的任务进行训练。

如果您错过了相关内容，我们之前已经介绍了“从故障中恢复”的处理流程的原理。您可以在这里阅读详细的说明：https://t.co/lG5ZbfO0O9