Axis Robotics 한국 공지방

😁 Axis Task 패키지 분석

저희는 차원 2: Atomic Skills를 강조했습니다
그렇다면 Atomic Skills란 정확히 무엇이며, 왜 그렇게 중요한 걸까요?

최근 로보틱 학습의 흐름은 원시 카메라 픽셀을 곧바로 복잡한 움직임으로 연결하려는 엔드투엔드 모델에 크게 의존하고 있습니다

하지만 이런 방식은 실제 복잡한 환경에서는 매우 많은 데이터가 필요하고, 동시에 취약해지기 쉽습니다

이에 대한 해법은 구조적인 접근에 있습니다

즉, 복잡하고 긴 수평의 태스크를 더 이상 나눌 수 없는 기초적인 물리 동작으로 분해하는 것입니다
예를 들면 Grasp, Place, Push, Pivot 같은 동작들입니다

이것이 바로 Atomic Skills입니다.
Atomic Skills는 고차원 인지적 추론인 “무엇을 할 것인가” 와
저차원 운동 제어인 “어떻게 움직일 것인가” 를 효과적으로 분리해줍니다

Google DeepMind의 연구가 보여주듯,
로보틱 지능의 확장은 결국 이러한 기초 Atomic Skills 라이브러리를 얼마나 견고하게 구축하고,
이를 얼마나 동적으로 조합할 수 있느냐에 달려 있습니다.
이는 자율 에이전트를 위한 공유 가능하고 확장 가능한 개념 구조를 만들어줍니다.

모델을 Atomic Skill 시퀀스 위에서 학습시키면,
진정한 일반화가 가능해집니다.

🔘능력 재사용 (Capability Reuse)

이미 “Push”와 “Grasp”를 배운 로봇은 새로운 태스크가 생겼을 때 기본 물리를 처음부터 다시 배울 필요가 없습니다
단지 새로운 시퀀스만 익히면 됩니다.

🔘공간 일반화 (Spatial Generalization)

스킬은 로컬 기하 구조에 적응하기 때문에,
작업 공간 안에서 오브젝트가 어디에 놓여 있든 안정적으로 작동할 수 있습니다.

🔘오류 복구 (Error Recovery)

그립이 실패했을 때 시스템은 그대로 멈추지 않습니다.
실패를 인식하고, 적절한 복구 스킬을 실행할 수 있습니다.

반면, 분절되지 않은 원시 텔레오퍼레이션 비디오는 신호 대비 잡음 비율이 낮은 한계를 가집니다

Axis에서는 Dynamic Data Engine을 통해 인간의 지능을 바로 이런 Atomic Skill 시퀀스 구조로 정리하고 있습니다.
이를 통해 파운데이션 모델이 더 강건한 일반화를 달성하는 데 필요한 고가치 빌딩 블록을 제공하고 있습니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 모델의 실패가 왜 중요한가
➖ 그리고 Axis가 차세대 데이터 엔진을 어떻게 구축하고 있는가

정적인 데이터셋만으로는 더 이상 피지컬 AI에 충분하지 않습니다

그동안 로보틱스 업계는 데이터 규모를 가장 큰 병목으로 여겨왔습니다. 물론 여전히 중요한 문제입니다. 하지만 데이터 파이프라인의 확장이 쉬워질수록, 더 큰 한계도 분명해지고 있습니다. 정적인 데이터셋은 주로 이미 성공한 사례를 담을 뿐, 모델이 실제로 어디에서 무너지는지는 잘 보여주지 못합니다.

특히 긴 수평 작업과 접촉이 많은 조작에서는, 또 하나의 깔끔한 성공 트래젝토리보다 모델이 실패하는 바로 그 상태가 더 가치 있을 때가 많습니다. 불안정한 그립, 어긋난 정렬, 삽입 실패, 접촉 오류, 재시도가 필요한 순간이 바로 그런 경우입니다.

OmniReset [ICLR 2026] 같은 최근 연구도 이 점을 보여줍니다. 현재의 로보틱 강화학습은 긴 수평·고접촉 조작 태스크에서 여전히 취약하며, 학습이 좁은 상태 공간만 반복적으로 방문해 성능이 쉽게 포화될 수 있다는 것입니다.

Axis는 이 통찰을 바탕으로 실패 기반(failure-informed) 데이터 엔진을 구축하고 있습니다. 모델이 실패하면 그 상태를 보존하고, 이를 인간에게 다시 전달해 목표 지점형 텔레오퍼레이션으로 복구하게 하며, 그 복구 트래젝토리를 다음 모델 개선에 활용하는 방식입니다.

🥹 핵심 아이디어

🔘정적인 데이터셋은 과거의 시연을 담습니다.
🔘동적인 데이터 엔진은 모델이 아직 배워야 할 것을 담습니다.
🔘모델의 실패는 현재 데이터 분포에서 빠져 있는 커버리지의 정확한 좌표입니다.
🔘복구 트래젝토리는 매우 가치 높은 데이터입니다.
불안정한 접촉, 잘못된 정렬, 실패한 그립, 재시도 상태에서 어떻게 계속 이어가야 하는지를 모델에 가르쳐줍니다.
🔘인간 텔레오퍼레이션은 목표가 명확할수록 훨씬 더 가치 있어집니다.
기여자들은 모델이 실제로 무너지는 바로 그 지점에서 복구를 돕고 있는 것입니다

🔘정적 데이터에서 실패 기반 동적 데이터로

정적인 데이터셋은 이미 시연된 내용을 수동적으로 기록합니다. 반면, 동적인 데이터 엔진은 모델이 아직 실패하는 지점을 능동적으로 찾아내고, 그 정확한 순간을 새로운 학습 신호로 바꿉니다. 이 차이는 매우 중요합니다. 피지컬 AI 시스템은 단순히 이상적인 행동만 모방해서는 안 되기 때문입니다. 불확실한 상황 속에서도 작동하고, 완벽하지 않은 접촉에서 복구하고, 현실 세계가 완벽한 데모와 다르게 움직일 때도 계속 작업을 이어갈 수 있어야 합니다.

Axis에서는 모델의 실패를 가치 높은 데이터 자산으로 다룹니다. 우리는 다양한 초기 상태와 어려운 조건에서 정책을 평가할 때, 단순히 성공률이 낮아졌다는 결과만 기록하지 않습니다. 실패가 실제로 발생한 구체적인 상태를 그대로 보존합니다. 그 실패 좌표는 곧바로 인간 텔레오퍼레이션을 위한 목표 지점형 태스크로 플랫폼에 다시 전달됩니다.

그 결과로 만들어지는 데이터는 실패 기반 보정 트래젝토리(failure-informed correction trajectory) 입니다
즉, 모델의 현재 분포가 무너지는 정확한 지점에서 수집된 인간의 복구 행동 데이터입니다.

🔘모델은 단순히 학습만 하는 것이 아니라, 데이터를 진단해야 한다

트래젝토리가 많다고 해서 자동으로 더 좋은 로봇 지능이 생기는 것은 아닙니다. 데이터의 양은 그것이 학습 가능성, 커버리지, 강건성을 실제로 높여줄 때만 가치가 있습니다
그래서 Axis는 경량 정책 학습(lightweight policy training)을 일종의 진단 도구로 사용합니다

새로운 작업 데이터셋마다 수집된 궤적이 학습 가능한지 테스트하기 위해 경량 정책을 학습할 수 있습니다

🔘정책이 빠르게 수렴하고 다양한 초기 상태에서도 안정적으로 유지된다면, 그 데이터셋은 유용한 구조를 담고 있을 가능성이 높습니다.
🔘반대로 정책이 취약하거나, 특정 오브젝트 배치에서 실패하거나, 매우 제한적인 조건에서만 작동한다면, 그 실패들은 데이터 분포 안에 비어 있는 영역을 드러내는 신호가 됩니다.

이런 관점에서 보면, 모델은 단지 데이터 파이프라인의 결과물이 아닙니다. 오히려 데이터 파이프라인을 측정하는 도구이기도 합니다. 정책은 데이터셋이 무엇을 잘 가르치고 있는지, 무엇을 아직 충분히 담지 못했는지, 그리고 다음 데이터 수집이 어디서 시작되어야 하는지를 알려줍니다.

이것이 바로 동적 데이터 엔진의 핵심입니다.
데이터가 모델을 학습시키고, 모델은 실패를 드러내며, 실패는 새로운 데이터 태스크를 정의하고, 새로운 데이터는 다음 모델을 더 좋게 만듭니다

🔘실패는 시뮬레이션과 인간을 연결하는 인터페이스다

시뮬레이션은 정책을 반복적으로 평가하고, 상태를 정확하게 리셋하며, 대규모로 실패 모드를 발견할 수 있게 해주는 강력한 수단입니다. 인간 텔레오퍼레이션은 그에 못지않게 중요한 또 하나의 요소를 제공합니다. 바로 적응적인 복구 행동입니다.

시뮬레이션에서 정책이 실패하면, 그 상태는 그대로 보존되어 다시 인간 텔레오퍼레이션 태스크로 열릴 수 있습니다. 이때 인간 조작자는 처음부터 또 하나의 일반적인 성공 트래젝토리를 제공할 필요가 없습니다. 대신, 모델이 실패한 정확한 그 상태에서 시작해서 어떻게 복구해야 하는지를 시연합니다. 예를 들어 다시 잡기(regrasp), 다시 정렬하기(realign), 다시 끼워 넣기(reinsert), 밀기(push), 비틀기(twist), 재시도하기(retry), 혹은 좋지 않은 접촉 상태에서 계속 이어가기 같은 행동들입니다.

이렇게 되면 인간의 참여는 훨씬 더 목표 지점형이 되고, 훨씬 더 가치 있어집니다. 기여자들은 단순히 정적인 데이터 풀에 데이터를 추가하는 것이 아니라, 모델이 현재 처리하지 못하는 상황을 해결하는 데 직접 기여하게 됩니다.

OmniReset은 강건한 조작이 다양한 접촉 상태와 재시도 상황에 노출될 때 더 잘 형성된다는 점을 보여줍니다. Axis는 여기에 인간 보정 계층을 더합니다. 시뮬레이션이 실패 상태를 발견하고 재현하고, 인간이 그 복구 트래젝토리를 제공하며, 모델은 그 보정을 학습한 뒤 다시 다음 블라인드 스팟을 드러냅니다.

🔘Axis 플라이휠: 수집하고, 학습하고, 실패하고, 다시 수집하고, 개선한다

Axis의 데이터 엔진은 단순한 루프를 따릅니다.
수집 → 학습 → 실패 → 재수집 → 개선

먼저 유저들이 웹 기반 텔레오퍼레이션을 통해 트래젝토리를 기여합니다. 이 트래젝토리로 초기 정책을 학습시킵니다. 그런 다음 이 정책을 다양한 시뮬레이션 조건에서 평가합니다. 실패는 단순한 집계 지표로만 남지 않고, 구체적인 상태로 보존됩니다. 그 상태들은 다시 플랫폼에 목표 지점형 텔레오퍼레이션 태스크로 푸시됩니다. 인간은 그 지점에서 보정 트래젝토리를 제공합니다. 이 보정 데이터는 다시 학습으로 돌아가 정책을 개선하고, 또 그다음 실패 지점을 드러냅니다.

시간이 지날수록 데이터와 모델은 함께 진화합니다. 데이터셋은 더 이상 과거 시연의 기록 보관소가 아닙니다. 그것은 모델이 무엇을 배웠고, 어디서 여전히 실패하며, 인간이 그 실패를 어떻게 복구하도록 도왔는지를 보여주는 지속적으로 업데이트되는 지도가 됩니다.

이것이 바로 커뮤니티 참여가 중요한 이유이기도 합니다. 전통적인 데이터 파이프라인에서는 기여자들이 자신의 트래젝토리가 모델 행동에 어떤 영향을 주는지 거의 볼 수 없습니다. 그러나 동적인 데이터 엔진에서는 기여자들이 중간 단계의 모델과 상호작용하고, 실패 사례를 관찰하고, 로봇의 기술을 눈에 띄게 개선하는 보정 데이터를 직접 제공할 수 있습니다

전통적인 데이터 파이프라인은 이미 수집된 것을 최적화합니다

반면 동적인 데이터 엔진은 모델이 아직 배워야 하는 것을 최적화 합니다

이 차이는 특히 로보틱스에서 중요합니다
현실 세계의 조작은 부분적 성공, 불안정한 접촉, 교란, 재시도로 가득하기 때문입니다

Axis는 지금 이 다음 단계의 인프라를 구축하고 있습니다
인간은 적응적인 보정을 제공하고, 시뮬레이션은 대규모 평가와 정밀한 상태 리셋을 제공하며, 모델은 자신의 블라인드 스팟을 드러내는 방식으로 피드백을 제공합니다
그리고 커뮤니티는 이 지속적인 개선을 움직이는 핵심 동력이 됩니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 데이터 검증 및 봇 관련 우려에 대한 입장

현재 저희가 태스크 데이터의 유효성을 어떻게 판단하는지 안내드립니다

저희는 프론트엔드 시뮬레이터를 사용하고 있으며,
태스크 완료 여부는 프론트엔드 체커를 통해 1차적으로 판별합니다

제출된 데이터가 올바른 형식이라면 API는 이를 수용합니다
하지만 API에 수용되었다고 해서 자동으로 유효한 기여로 인정되는 것은 아닙니다

오직 백엔드 검증을 성공적으로 통과한 데이터만
서명대상이 될 가능성이 있으며, 실제 기여로 인정될 수 있습니다

즉, 봇이 데이터를 제출하더라도 백엔드 검증을 통과할 수 없기 때문에 유효한 기여로 인정되지 않습니다
이러한 무효 데이터는 해당 상태로 표시되며, 점유중이던 슬롯은 해제되고,
일정 시간이 지난 뒤 해당 태스크가 다시 열릴 수 있습니다

바로 이런 이유로 "Ended"탭에 있는 많은 태스크들이 아직 100% 완료 상태로 보이지 않을 수 있습니다

지난주에는 검증해야할 데이터 양이 매우 많아, 처리 속도가 예상보다 느렸습니다
현재는 서버를 추가로 확충했으며, 이제 검증은 대체로 12시간 이내에 완료될 수 있을 것으로 보고 있습니다

앞으로도 커뮤니티를 위해 검증 파이프라인을 계속 개선해,
이 과정을 더 빠르고, 더 투명하고, 더 신뢰할 수 있게 만들어가겠습니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis 주간 업데이트

이번 주에도 Axis는 TaskGen, 시뮬레이션 인프라, 실패 복구, 에셋 단위 증강까지 포함해 폐쇄 루프형 로보틱스 데이터 파이프라인 전반을 계속 강화했습니다

🥹 업데이트 내역
🔘태스크 생성

에셋 스캔 기능을 완료해 TaskGen에 통합했습니다.
이를 통해 생성된 태스크가 사용 가능한 에셋, 씬 레이아웃, 장기 수평 워크플로우, 멀티 임바디먼트 설정까지 더 잘 반영하며 구성될 수 있게 되었습니다

🔘시뮬레이션 인프라

MuJoCo 기반 verify, replay, scene-variant 워크플로우를 개선했습니다
반복 다운로드, 캐싱, 호환성, 장기 수평 멀티 에셋 태스크의 안정성과 관련된 여러 문제들도 함께 수정했습니다

🔘로봇 제어

더 긴 수평 태스크와 멀티 에셋 태스크에서 받은 피드백을 바탕으로, 그리퍼 동작, IK, 텔레오퍼레이션, 제어 패널 전반을 정리하고 개선했습니다

🔘실패 복구

실패한 그리핑 상태와 실패 직전 상태를 복구 학습용으로 재활용할 수 있는 데이터로 바꾸는 파이프라인 구축을 계속 진행했습니다

🔘에셋 증강

학계 협력 파트너들과 함께, 하나의 시드 에셋을 물리적으로 타당한 여러 오브젝트 변형으로 확장할 수 있는 shape augmentation 방향도 진전시켰습니다

➡️ 원문

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis AMA 리캡

어제 저희 창립자 Chris님이 Discord 채널에서 진행된 커뮤니티 AMA에 참여했습니다

그동안 저희는 X를 통해 데이터 엔진의 엔지니어링 구조에 대해 많이 공유해왔지만,
이번 세션에서는 훨씬 더 깊이 있는 이야기가 오갔습니다

Chris는 Axis의 실제 경쟁 해자, 상업화 로드맵, 그리고 장기 비전까지,
아직 이곳에서 충분히 풀어내지 않았던 핵심 내용들을 직접 설명했습니다

➡️ AMA 리캡

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis의 상업화 방식 #1
태스크 패키지를 핵심 단위로

피지컬 AI 모델의 성능은 학습 데이터의 품질과 양에 크게 좌우됩니다.

하지만 정적인 데이터 수집만 단순히 늘리는 방식은 정책 모델 학습에서 한계 효용이 점점 줄어듭니다.

이제 업계에는 규모, 다양성, 커버리지 측면에서 동적으로 성장할 수 있는 데이터 자산이 필요합니다.

Axis는 바로 이러한 데이터 자산을 만들어내며,
그 핵심 상업 단위로 Task Package를 활용해 생태계 파트너들에게 대규모로 제공하고 있습니다.

Task Package는 Axis의 기본 상업 전달 단위입니다.

그리고 그 가치는 다음의 4가지 차원에 의해 결정됩니다.

🔘차원1: 시나리오

시나리오는 물리적 환경과 맥락을 정의하며,
실제 배치 대상 환경에 대응합니다.

예를 들어,
◽️주방 조리대 작업
◽️산업용 분류 작업대
◽️테이블 정리 작업

같은 형태가 이에 해당합니다.

즉, 시나리오는 데이터 패키지가 어떤 비즈니스 의미와 적용 가능성을 가지는지를 결정합니다.

🔘차원2: 원자적 스킬

이 차원은 해당 태스크가 포함하는 기본 조작 능력을 의미합니다.

예를 들어,
◽️Grasp(집기)
◽️Place(놓기)
◽️Push(밀기)
◽️Rotate(회전시키기)
같은 동작이 여기에 포함됩니다.

하나의 태스크는 단일 스킬만 포함할 수도 있고, 여러 스킬의 조합으로 구성될 수도 있습니다.
특히 더 복잡하고 연속적인 작업 시퀀스일수록 학습 가치가 더 높아집니다.

🔘차원3: 태스크 내 랜덤화

이 항목은 데이터 다양성을 측정하는 핵심 지표이며,
다음 두 차원의 곱으로 결정됩니다.

◽️ 레이아웃 랜덤화 (Layout Randomization)

같은 오브젝트 세트를 동일한 작업 공간 안에서 얼마나 다양한 위치와 배치로 구성할 수 있는지를 의미합니다.
이 수의 상한은 물리적 공간의 제약을 받습니다.

◽️에셋 랜덤화 (Asset Randomization)

대상 오브젝트의 외형, 크기, 재질 등 물리적 속성의 변화 수를 의미합니다.

Axis의 자동 태스크 생성 파이프라인은
단 하나의 프롬프트만으로도 시뮬레이션 기반 텔레오퍼레이션 태스크를 생성할 수 있습니다.

이 두 차원의 곱은 하나의 프롬프트 아래에서 생성되는 총 랜덤화 인스턴스 수를 의미합니다.
예를 들어:

40개의 레이아웃 × 4개의 에셋 변형 = 160개의 이질적 인스턴스

이처럼 분포 차원의 다양성은 정책 모델의 강건성(robustness) 을 높이기 위한 필수 조건입니다.

🔘차원4: 총 트래젝토리 수

이는 최종적으로 고객에게 전달되는 사용 가능한 학습 데이터의 양을 의미합니다.
즉, 전달되는 데이터 규모를 가장 직접적으로 평가할 수 있는 지표입니다.

Task Package 대규모 생산을 가능하게 하는 Axis의 엔드투엔드 오픈소스 데이터 파이프라인

이처럼 대규모 Task Package 생산은
Axis의 엔드투엔드 오픈소스 데이터 파이프라인을 통해 지원됩니다.

🔘AxisTaskGen

업스트림에 위치합니다.
시나리오를 정의하고 태스크 내 랜덤화를 설정하며,
데이터 생성의 출발점에서부터 물리적 다양성과 태스크 생성 로직을 보장합니다.

🔘AxisWebInfra

미드스트림에 위치합니다.
분산형 웹 브라우저 아키텍처를 활용한 텔레오퍼레이션 시스템으로,
로컬 하드웨어 장벽을 없애고 동시 수집을 가능하게 하여
차원 4의 대규모 데이터 수집 요구를 충족합니다.

🔘AxisDataCleaning

다운스트림에 위치합니다.
텔레오퍼레이션 신호를 리샘플링, 스무딩, 필터링하여
유효하지 않은 프레임을 제거하고,
전달되는 데이터가 실제 학습에 바로 사용할 수 있는 수준이 되도록 보장합니다.

➖

🥹 Axis의 상업화 진전

이처럼 표준화되고 자동화된 Task Package 전달 시스템을 기반으로,
Axis는 상업 확장 측면에서도 상당한 진전을 이루고 있습니다.

저희는 이미 다수의 모델 개발사, 로보틱스 하드웨어 기업, 그리고 시나리오 적용 파트너
(예: 선도 제조 기업)와 함께
상업적 구매 및 공동 배치 계약에 도달했으며,
관련 내용은 곧 발표될 예정입니다.

🥹 Axis의 상업 모델

Axis의 상업 모델은 단순한 데이터 판매가 아니라,
체계적이고 폐쇄 루프를 갖춘 데이터 서비스 위에 구축되어 있습니다.

저희가 만들고 있는 것은 Dynamic Data Engine입니다.

이미 입증된 상업 배치 역량과,
데이터와 모델이 함께 성장하는 진화적 패러다임이 결합되어,
이것이 바로 Axis의 핵심적인 상업적 해자(moat) 를 형성합니다.

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 로봇 산업이 생각보다 훨씬 빠르게 현실화되고 있는 것 같습니다.

최근 Figure 에서 Figure 03 휴머노이드 로봇이 8시간 동안 사람 개입 없이 직접 패키지를 분류하고 스캔 위치로 옮기는 작업을 라이브로 공개했네요

이제는 그냥 “미래 기술” 느낌이 아니라 실제 산업 현장에 로봇이 들어가기 시작하는 단계까지 온 것 같습니다.

이런 흐름에서 Axis Robotics 역할도 점점 중요해질 수 있다고 봅니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis AMA With Founder

Axis 파운더와 함께하는 AMA 세션이 곧 진행될 예정입니다

🥹 AMA 주요 내용

🔘Axis Robotics가 그리고 있는 비전
🔘피지컬 AI 및 로보틱스 인프라
🔘우리의 시뮬레이션 및 데이터 플랫폼
🔘제품 로드맵과 향후 계획
🔘커뮤니티 기여와 생태계 성장

커뮤니티 질문에도 답변드릴 예정이니
궁금한점은 쓰레드에 남겨주세요

📅 일정
5월 15일 오후 11시

✅ Axis 디스코드 스테이지

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 저희의 미션은 계속됩니다

Axis는 Base위에서 피지컬 AI를 위한 분산형 확장 인프라를 구축하고 있습니다

CityprotocolHQ의 The Mission Continues에 함께하고, 여러분의 이야기들도 공유해주세요!

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis 주간 업데이트

지난주 Axis는 태스크 생성, 시뮬레이션 인프라, 모델 학습, 실패 복구를 포함해 로보틱스 데이터 루프 전반에서 진전을 이뤘습니다

🥹 주요 업데이트
🔘태스크 생성

TaskGen을 개선해 자동 체커 생성 기능을 강화했고, 멀티 임바디먼트 지원을 더 탄탄하게 만들었으며, 도메인 랜덤화를 더욱 효율적으로 적용할 수 있도록 했습니다. 이를 통해 수작업 설계 부담은 줄이면서도 태스크 다양성을 더 크게 확장할 수 있게 되었습니다

🔘시뮬레이션 인프라

MuJoCo 기반 verify/replay와 scene-variant 워크플로우를 계속 개선했습니다
데이터 수집, 멀티 에셋 씬, 반복 로딩/다운로드, 초기 상태, 텔레오퍼레이션, IK, 그리퍼 제어 등 여러 영역에서 수정과 개선이 이루어졌습니다

🔘모델 학습

새롭게 랜덤화된 태스크들이 충분한 데이터가 주어질 경우 실제로 학습 가능하다는 점을 확인했습니다. 현재 실험에서는 500개의 데모로 실행 가능한 정책을 만드는 데 성공했지만, 100개의 데모만으로는 충분하지 않았습니다

🔘실패 복구

그리핑 과정에서 발생하는 실패 및 실패 직전 상태를 수집하고 분류하는 recover-from-failure 파이프라인 구축을 시작했습니다
이는 이후 더 견고한 복구 정책 학습을 지원하는 기반이 될 예정입니다

➖

TaskGen 측면에서는 자동 체커 생성 기능을 개선하고, 멀티 임바디먼트 지원을 더욱 강화했습니다
이를 통해 하나의 생성된 태스크를 Aloha, ARX L5, Google Robot 스타일 구성 등 다양한 로봇 셋업에서 동일하게 작동하도록 만들 수 있게 되었습니다

또한 도메인 랜덤화도 더 정교하게 다듬어
수작업 태스크 설계 부담은 줄이면서도
태스크 다양성은 더 효율적으로 확장될 수 있도록 개선했습니다

➖

🔘시뮬레이션 및 제품 측면
MuJoCo verify/replay와 scene-variant 워크플로우를 개선

데이터 수집 지연, 멀티 에셋 씬에서의 에셋 관통 및 충돌 문제, 반복적인 태스크 로딩, 반복적인 scene-variant 다운로드, 초기 상태 호환성, 텔레오퍼레이션, IK, 그리퍼 제어 관련 수정 포함

그리핑 과정에서 발생하는 실패 상태와 실패 직전 상태를 수집,분류하는 방식으로, recover-from-failure 데이터 파이프라인 구축 시작

이러한 상태 데이터는 다음 단계에서 데이터베이스에 추가될 예정이며,
장기적으로는 실패한 시연과 부분적으로 성공한 시연까지 활용해,
더 견고한 그리핑 및 복구 정책을 학습시키는 것이 목표입니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis Robotic 2주차 캠페인

Axis 캠페인 2주차가 오픈되었습니다
이미하셨던분들이라면 쉽다쉬워!

🥹참여방법

• 태스크 얼마나 하셨는지 콘텐츠작성
• Axis 태스크 8개이상 참여 인증샷 첨부

👑 보상

총 10명 추첨 ➡️ 각 $10 USDC 지급

콘텐츠를 커뮤니티방에 공유후 구글폼작성해주세요!

💡 참여 TIP

• 너무 어렵게 생각하지 말고 가볍게 시작하세요
• 꾸준히 활동하는 분들이 당첨 확률이 높습니다
• 본인만의 방식으로 자유롭게 콘텐츠 작성 OK

지금 바로 참여하고 Axis Robotic 함께해요!

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis 안내

가끔 태스크에 표시되는 오브젝트 설명이나 참고 이미지가 실제로 생성된 에셋과 완벽하게 일치하지 않는 경우가 있다는 점을 눈치채셨나요?

이는 저희가 데이터 다양성을 높이고 모델의 일반화 성능을 개선하기 위해, 태스크 내부 랜덤화를 적용했기 때문입니다

실제 에셋은 달라질 수 있지만, 태스크의 목표 자체는 항상 동일하게 유지됩니다

따라서 특정 에셋 자체보다는 태스크 목표에 집중해 주세요
풍부한 시나리오, 다양한 원자적 스킬 조합, 그리고 폭넓은 태스크 내 랜덤화가 바로 저희 데이터의 다양성을 만들어냅니다

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis 데이터 클리닝 파이프라인 오픈소스

➡️ GitHub

브라우저 기반 텔레오퍼레이션은 로봇 데이터 생성에서 가장 확장성 높은 경로 중 하나입니다
하지만 인간이 입력한 원시 데이터는 아직 바로 모델 학습에 사용할 수 있는 상태가 아닙니다
🔘멈춤 구간
🔘미세한 떨림
🔘낮고 불규칙한 프레임 율
즉, 원시 웹 데이터만으로는 안정적인 정책 학습을 하기 어렵습니다

아래는 저희 백엔드가 이런 노이즈가 많은 인간 시연 데이터를 어떻게 후속 정책 학습에 활용 가능한 트래젝토리로 바꾸는지에 대한 설명입니다

🔘 필터

인간 조작자는 망설이거나 잠시 멈추는 겅유가 많습니다
저희는 액션 시퀀스를 프레임 단위로 평가해, 절대 관절 변화량이 0.005 미만인 프레임은 자동으로 제거합니다

또한 물리적으로 말이 되지 않는 상태 불연속성이 있는 궤적도 제외합니다
이를 통해 단순 대기 동작이 학습 신호를 과도하게 차지하지 않도록 합니다

🔘 떨림제거

텔레오퍼레이션 데이터에는 자연스럽게 손의 미세한 흔들림이 포함됩니다
저희는 로봇의 관절 궤적(그리퍼 제외)에 필터를 적용해, 이런 고주파 노이즈를 제거합니다

실제로 이 과정을 거치면 평균 가속도는 0.21 > 0.10, 평균 jerk는 2.79 > 1.47로 절반이상 감소합니다

🔘 재정렬

브라우저 인터페이스는 일반적으로 6~8 Hz 정도의 낮은 샘플링 레이트로 데이터를 기록하는데, 이는 실제 로봇 제어에 사용하기에는 충분하지 않습니다

그래서 저희는 3차 스플라인 보간을 사용해 로봇상태와 오브젝트 상태를 모두 업샘플링하고, 안정적인 20Hz 제어 그리드에 시간적으로 정렬합니다

🔘 벨리데이트

움직임이 아무리 깔끔해져도, 실제로 태스크를 완료하지 못하면 의미가 없습니다
그래서 저희는 스무딩 및 리샘플링이 끝난 궤적을 다시 태스크별 체커에 넣어 검증합니다

기하학적 제약과 오프젝트 상호작용을 평가함으로써, 최적화된 경로가 원래 목표를 물리적으로 실제 달성하는지 보장합니다

더 나은 데이터 품질은 곧 더 나은 후속 정책 성능으로 이어집니다

Axis 데이터 클리닝 파이프라인은 원시 시연 데이터를 깨끗하고, 밀도 높고, 학습가능한 궤적으로 바꿔줌으로써,
확장 가능한 웹 텔레오퍼레이션과 로봇 학습을 연결하는 다리 역할을 합니다

➡️웹인프라
➡️태스크젠

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Axis 추천 챔피언십… 지금 사실상 ‘빈집’입니다

왜 지금이 기회냐면❗️

아직 적극적으로 돌리는 사람이 많지 않음
초대한 인원만 조금 사용해도 바로 순위권 가능합니다!
구조 자체가 [내가 초대한 사람 활동량 = 내 점수]라서
➡️ 초반 선점하면 그대로 굳힐 수 있습니다

🥹 보상

🥇 1등: 500 USDT
🥈 2등: 300 USDT
🥉 3등: 200 USDT
🏅 4등 ~ 10등: 각 50 USDT

실시간리더보드에서 확인하세요!

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 Base Batches 003 로보틱스 트랙

멋진 여정을 성공적으로 마무리 했습니다!

Axis를 최종 후보로 선정해준 Virtuals_io팀에 감사드립니다

로보틱스 분야의 뛰어나고 창의적인 인재들과 이렇게 많은 지적 교류를 나눌 수 있어 정말 큰 기쁨이었습니다

저희는 Axis가 어떻게 로보틱스 범용 지능을 향한 관문을 만들어가고 있는지 소개했습니다
Base 생태계는 빠르게 움직이고 있고,
그 일부분이 될 수 있어 자랑스럽습니다

초대해주신 baseapac , virtuals, ns
감사드립니다!

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub

😁 최근 태스크 업데이트 관련

최근 태스크 슬롯이 훨신 더 빠르게 제공되고 있다는 점을 눈치채셨을 수도 있습니다

🥹 이유

저희는 상위 태스크 생성 엔진을 간소화하는데 성공했습니다
이제 일일 출력량이 지속적으로 10~15개의 태스크에 도달하고 있습니다

더 많은 태스크 공급으로 확장+도난당한 슬롯을 재개방하기위해 봇을 끊임없이 차단 = 진정한 빌더들에게 훨씬 더 원활하고 공정하며 고도로 보상적인 경험

엔진은 이미 힘차게 돌아가고 있습니다
계속 기여해주시고, 레퍼럴 챔피언십과 카이토 컨텐츠 크리에이터 프로그램도 꼭 함께 참여해주세요

Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방

» Axis Hub