5万条网页众源轨迹，真能把机器人模型练强吗？AXIS基准给出答案

打开浏览器，屏幕里是一台 Franka Research 3 机械臂。参与者不需要拥有真实机器人，也不必在本地安装复杂的仿真环境，只需使用键盘、鼠标或手柄，就能控制机械臂完成抓取、堆叠、倾倒和工具使用。一次操作结束，一条人类演示轨迹也随之产生。

这就是 AXIS 的数据采集入口。但问题很快出现：来自不同参与者的网页遥操作数据，难免包含停顿、抖动甚至错误。这样的众源仿真轨迹，真的能用来训练机器人基础模型吗？

Axis Robotics 与佐治亚理工、加州大学伯克利分校、南洋理工等高校团队通过超过 5 万条人类演示和一组规模实验，给出了一个肯定但更复杂的答案：众源仿真数据可以有效，但模型能否从数据规模中持续获益，取决于任务覆盖、行为多样性、质量控制和数据增强，而不只是轨迹数量。这也是 AXIS 背后的核心观点：机器人行业需要的不只是一个更大的静态数据集，而是一套能够持续生成、验证、扩展和评估数据的基础设施。

为什么选择网页众源仿真这条路线？

机器人学习正在快速进入「大模型」时代，但机器人数据的生产方式仍然昂贵而封闭。真机演示依赖机器人硬件、场地和专业操作员；传统仿真数据采集虽然避开了硬件成本，却往往要求参与者配置本地仿真环境和计算资源。与此同时，不少机器人数据集在一次性发布后便停止增长，模型能力不断提升，数据覆盖却很难同步扩展。AXIS 选择网页众源仿真，并不是因为仿真能够完全替代真实机器人，而是因为它能够降低数据生产的边际成本：让更多人参与，让更多任务被快速部署，也让模型失败后所缺少的数据能够更快被补充。

但仅仅降低采集门槛还不够。AXIS 认为，要让这条路线真正成立，还需要同时解决三个问题：

• 第一，如何持续生成新的任务、物体和场景，而不是反复采集少量固定任务；
• 第二，如何把存在噪声的社区演示转化为稳定、可训练的数据；
• 第三，如何证明数据集扩大之后，模型性能确实在提升，而不是单纯积累更多轨迹文件。

为了解决这些问题，Axis Robotics 联合佐治亚理工、加州大学伯克利分校、南洋理工等多所高校提出了AXIS：一个面向可扩展机器人操作学习、由社区驱动且能够持续生长的数据引擎与评测基准。AXIS 将自动任务生成、浏览器遥操作、数据清洗、仿真增强、模型训练和固定协议评测连接成一个完整闭环，使机器人数据从一次性发布的静态资产，转变为能够持续生长的数据引擎。

• 论文标题：AXIS: A Growable Community-Driven Data Engine for Scalable Robot Manipulation
• 项目主页：https://axisaiorg.github.io/AXIS-V1/
• 论文链接：https://arxiv.org/abs/2607.21588
• 数据集：https://huggingface.co/datasets/axisrobotics/Franka-Dataset
• 代码：https://github.com/AxisAIOrg/Axis-V1-Training

从静态数据集到持续生长的数据引擎

AXIS 首先通过仿真任务生成模块将自然语言操作指令转换为任务配置、场景布局、物体资产和可复用的成功判定器。生成的任务随后被部署到基于 MuJoCo-WASM 的网页端，参与者无需安装完整仿真环境，也不需要拥有真实机器人，即可通过键盘、鼠标或手柄完成遥操作数据采集。

当前论文发布与实验使用的固定快照围绕 Franka Research 3 机械臂构建，包含207 个操作任务、50,129 条人类演示轨迹，以及超过 6 万种任务或场景变体，覆盖抓取放置、堆叠、分类、推动、倾倒、关节物体交互和工具使用等常见桌面操作。与该固定快照不同，AXIS 数据引擎仍在持续运行。截至 2026 年 7 月 24 日发稿时，项目主页数据集实时统计已达到1,816 个任务、1,530,275 条轨迹和 13,645 小时 7 分钟，相关数据按小时验证更新。

众源数据如何转化为高质量训练数据？

社区采集能够带来丰富的操作策略和行为差异，但也会引入停顿、抖动、错误状态和失败轨迹。AXIS 因此没有直接将原始数据用于训练，而是建立了一套标准化处理流程，包括成功状态验证、异常过滤、静止片段移除、轨迹平滑和固定频率重采样。

平滑与重采样步骤能将轨迹的平均加速度和加加速度分别降低63.9%和80.8%，显著减少了网页遥操作产生的高频噪声。清洗后的轨迹还会在 Isaac Sim 中进行重放和增强。系统能够随机改变相机视角、灯光、纹理、背景、物体位置以及质量和摩擦等物理参数，在保留任务语义和成功条件的同时，大幅扩展训练分布。

更重要的问题：更多 AXIS 数据真的能让模型变强吗？

研究团队以 π0.5 为基础模型，在不同规模的 AXIS 数据上进行预训练，随后采用完全一致的配置在 LIBERO 数据上微调，并在 LIBERO-Plus 鲁棒性基准上测试。

结果显示，未经 AXIS 持续预训练的 π0.5 总体成功率为 83.9%。随着 AXIS 数据量增加，性能呈现稳定增长：

使用 AXIS-25%、AXIS-50% 和 AXIS-100% 预训练后的总体成功率分别达到84.7%、85.7% 和 88.8%。完整 AXIS 数据使总体成功率较基线提升4.9 个百分点，相对提升 5.8%；从 25% 到 100% 的结果持续上升，显示增加任务覆盖和数据多样性仍能带来收益。在相同轨迹数量和训练预算下，RoboCasa365 匹配组仅达到 57.5%，比 AXIS-100% 低 31.3 个百分点。这说明 AXIS 的收益并不只是来自额外加入一批仿真数据，任务覆盖、人类演示多样性、数据处理和环境增强方式同样重要。

从具体扰动维度看，AXIS-100% 在传感器噪声和相机视角变化下分别提升13.7 和 11.3 个百分点，在机器人初始位姿、背景和物体布局变化下分别提升3.8、3.7 和 2.6 个百分点；在光照和语言扰动下则分别小幅下降 1.7 和 1.3 个百分点。当前收益因此主要集中在视觉与几何分布变化，也说明后续仍需要针对未充分覆盖的扰动维度继续扩展数据设计。

总结

在这项工作中，Axis Robotics 并不只是数据集的发布方或数据供应方，而是主导提出并落地了「可持续生长的机器人数据引擎」这一研究路线。Axis 将仿真任务生成、资产与场景部署、网页遥操作、社区数据采集、轨迹验证与清洗、Isaac Sim 渲染增强，以及数据集的持续维护与版本化发布整合为一套实际运行的基础设施。

Axis Robotics 重点解决机器人数据如何被持续、低成本和规模化生产，以及如何让新增数据进入可复现的训练与评测流程。佐治亚理工、南洋理工、加州大学伯克利分校等学术合作团队则与 Axis 共同参与研究问题定义、模型训练、规模实验、结果分析和学术验证，通过统一的训练预算与 LIBERO-Plus 评测协议，检验每一轮数据增长能否真正转化为模型能力。

因此，AXIS 不是「公司负责工程、学校负责研究」的简单分工，而是数据基础设施与严谨实验方法的结合：Axis 主导数据引擎的 thesis、系统建设和持续运营，学术合作团队提供互补的模型与评测专长，双方共同回答这些数据是否有效、为何有效，以及怎样的数据增长最有价值。AXIS 的目标并不是用仿真数据取代真实机器人数据，而是建立一条能够持续生成、处理、验证和评估机器人数据的基础设施。

本次发布验证的是这一更大闭环中的第一步：网页众源仿真数据经过系统化处理后能够带来可测量、并随数据规模增长的模型收益。下一阶段，团队计划扩展更多机器人本体、传感器模态和长时序任务，并进一步让模型失败反向决定任务生成和数据采集方向，使数据引擎从「持续增长」走向「针对模型能力缺口定向增长」。