Das Robotik-Daten-Startup @axisrobotics, zu dessen Seed-Investoren Pi Network Ventures von @PiCoreTeam zählt, hat TUCO veröffentlicht, eine Methode zur Auswahl der simulierten Demonstrationen, die beim Training eines Roboters verwendet werden sollen. Die Forschung legt nahe, dass die Auswahl der richtigen Daten wichtiger sein kann als das Sammeln einer größeren Datenmenge.
TUCO steht für Trajectory-level Utility and set-level Coverage Optimization. Die Autoren beschreiben die Arbeit als die erste systematische Studie zur Datenkuratierung für das Co-Training von Roboter-Policies vom Simulations- in den Realbetrieb. Laut der Projektseite führt das Paper unter anderem Autoren der Stanford University, der Nanyang Technological University, von AXIS Robotics, der Carnegie Mellon University und der University of California, Berkeley auf.
86 % Erfolg mit 600 kuratierten Demos
In den Tests mit realen Robotern wurde jede Aufgabe anhand von nur 10 teleoperierten Demonstrationen mit realen Robotern erlernt, die allein eine durchschnittliche Erfolgsquote von 16,7 % ergaben. Anschließend ergänzten die Forschenden simulierte Demonstrationen derselben Aufgabe. Sie verwendeten entweder alle 1200 in der Simulation erzeugten Demonstrationen oder 600, die mithilfe einer Kuratierungsmethode ausgewählt wurden, und hielten dabei das Mischungsverhältnis zwischen realen und simulierten Daten gleich.
Der Abstand zwischen den Ansätzen war groß. Die Ergänzung um alle 1200 simulierten Demos erhöhte die durchschnittliche Erfolgsquote von 16,7 % auf 25,8 %, eine zufällig ausgewählte Hälfte ergab ebenfalls 25,8 %, während die von TUCO ausgewählte Hälfte 85,8 % erreichte. Das Setup umfasste drei Aufgaben mit jeweils 40 Versuchen pro Policy. TUCOs aufgabenspezifische Ergebnisse lagen bei 82,5, 75,0 und 100,0, was einem Makrodurchschnitt von 85,8 % entspricht.
Die Autoren schränken den Geltungsbereich der Studie ein. Sie verwendet ein vorgegebenes Budget für die Teilmenge und ein festgelegtes Mischungsverhältnis zwischen Quell- und Zieldaten, bestimmt also nicht, wie viele Quellbeispiele beibehalten werden sollten. Die Ergebnisse stammen außerdem aus einer kleinen Zahl von Aufgaben, und die Arbeit ist ein Preprint auf arXiv.
Neben den Tests mit realen Robotern berichtet das Paper auch über Ergebnisse aus Simulationen. Bei der Aufgabe Lift erzielt TUCO mit nur 25 % des ursprünglichen Trainingsdatensatzes dieselben Ergebnisse wie das Training mit allen Daten und übertrifft es bei Square mit 50 %.
Axis Robotics und Pi Network Ventures
Axis Robotics baut eine Dateninfrastruktur für das Robotertraining auf. Das Unternehmen nahm in einer Seed-Finanzierungsrunde 12 Millionen US-Dollar auf, die von Hack VC angeführt wurde und an der sich Nomad Capital, Pi Network Ventures, 10K Ventures und mehrere Angel-Investoren beteiligten. Die Runde wurde am 27. Juli bekannt gegeben. TokenPost zufolge legte Axis den individuellen Beitrag von Pi Network Ventures nicht offen. Bei dem Fonds handelt es sich um eine Initiative über 100 Millionen US-Dollar, die über die Pi Foundation eingerichtet und im Mai 2025 gestartet wurde.
Für das gesamte Pi-Network-Ökosystem ist die Forschung ein Hinweis darauf, woran ein Portfoliounternehmen arbeitet. Das Paper beschreibt selbst keine Nutzung der Pi-Blockchain oder des $PI-Tokens.
Quellen
TUCO: Kuratierung von Simulationsdemonstrationen für das Co-Training von Roboter-Policies vom Simulations- in den Realbetrieb (arXiv)
TUCO-Projektseite
TokenPost: Integrationsplan von Axis Robotics und Pi Network
