AXIS：可扩展的社区驱动数据引擎，用于可扩展的机器人操作

学习有效的机器人操作策略需要多样化、高质量的演示，但现有的数据管道通常难以扩展，因为它们依赖于专用硬件、集中式操作员或固定任务套件。我们推出了 AXIS，这是一个可扩展的社区驱动的数据引擎和可扩展机器人学习的基准，它支持基于浏览器的远程操作进行大规模演示收集，自动生成和验证新的操作任务，并通过自动成功检查、质量过滤、轨迹平滑以及基于视觉和物理的增强将社区收集的演示转换为训练就绪数据。 AXIS 数据集目前包含 207 个不同的任务和 50K 多个轨迹。同时，AXIS 将数据组织成任务快照，并使用系统的保留协议评估策略。我们在统一的 AXIS 评估套件下比较视觉-语言-操作 (VLA) 策略，并分析不同数据量的扩展行为。 AXIS 上的持续预训练将 $π_{0.5}$ 的整体成功率大幅提高了 5.8%，比 RoboCasa365 上预训练的模型提高了 37.3%，并且随着数据量的增加表现出一致的缩放，在布局、传感器噪声和相机扰动下观察到最大增益。