Axis Robotics

Axis Robotics는 물리적 AI 및 로봇 학습을 위한 시뮬레이션 기반 인프라에 집중하는 로봇 공학 기업입니다. 2025년에 설립된 이 회사는 시뮬레이션 및 실제 환경 전반에서 로봇 데이터를 수집, 증강 및 훈련하기 위한 시스템을 개발합니다. ^[1]

개요

Axis Robotics는 브라우저 기반 시뮬레이션을 통해 로봇 학습 데이터를 수집하고 처리하는 데 중점을 둔 물리적 AI 인프라 프로젝트입니다. 사용자는 시뮬레이션된 로봇 팔을 원격 조작하여 조작 작업을 수행하며, 이를 통해 로봇 상태, 물체 위치, 제어 동작 및 작업 메타데이터가 포함된 궤적(trajectories)을 생성합니다. 시스템은 이러한 궤적을 처리하고 IsaacSim 기반 백엔드를 사용하여 사실적인 그래픽과 도메인 무작위화(domain-randomized)가 적용된 추가 학습 샘플을 생성합니다. 승인된 각 궤적은 검증 가능한 출처 기록을 제공하기 위해 Base에 기록된 고유한 데이터 ID를 부여받습니다.

AXIS 스택은 월드 생성, 행동 수집, 데이터 정제, 모델 학습 및 배포의 네 단계로 구성됩니다. 자연어 지침은 3D 자산 라이브러리와 자동화된 장면 생성 도구를 사용하여 구조화된 작업 및 시뮬레이션 환경으로 변환됩니다. 수집된 궤적은 정제 및 필터링 과정을 거친 후 시뮬레이션에서 재생되어 확장된 데이터셋을 생성하며, 이는 모방 학습(imitation-learning) 정책과 시각-언어-행동(Vision-Language-Action) 모델을 학습시키는 데 사용됩니다. 결과물인 정책은 시뮬레이션에서 평가되고 실제 로봇에서 테스트되며, 현재 시스템은 sim-to-real 검증을 위해 Franka Research 3를 사용하고 있습니다. ^[3]

기술

RoboVerse

RoboVerse는 여러 로봇 시뮬레이터에 걸쳐 공통 인터페이스를 제공하는 시뮬레이션 프레임워크로, 데이터 수집, 증강, 프로토타이핑 및 평가의 각 단계에 따라 서로 다른 백엔드를 사용할 수 있도록 합니다. AXIS는 브라우저 기반 데이터 수집을 위해 WebAssembly로 컴파일된 MuJoCo를 사용하고, 궤적 재생 및 사실적인 증강을 위해 GPU 인프라에서 IsaacSim을 사용하며, 신속한 개발 및 평가를 위해 네이티브 MuJoCo를 사용합니다. 이 시스템은 시뮬레이터에 독립적인 장면 설명, 표준화된 자산, 네이티브 시뮬레이터 형식으로의 자동 변환 및 프로그래밍 방식의 장면 생성을 제공하는 MetaSim을 기반으로 구축되어, 작업 정의, 궤적 및 자산이 지원되는 시뮬레이션 환경 간에 이동할 수 있도록 합니다.

RoboVerse v2는 이 프레임워크를 작업, 환경, 행동 및 시각적 조건 전반의 변동성에 초점을 맞춘 광범위한 데이터 생성 및 모델 개발 파이프라인으로 확장합니다. 여기에는 휴머노이드, 4족 보행 및 정교한 손 조작(dexterous) 로봇 플랫폼에 대한 지원, 강화 학습, 모방 학습 및 시각-언어-행동(VLA) 모델을 위한 표준화된 인터페이스, 자동화된 장면 및 자산 생성, 그리고 작업 생성, 원격 조작 또는 정책 기반 데이터 수집, 도메인 무작위화, 모델 학습 및 실제 배포를 연결하는 파이프라인이 추가되었습니다. 이 시스템의 평가 방식은 단일 고정 벤치마크에서의 성능보다는 시뮬레이터, 레이아웃, 객체, 시각적 조건 및 실제 로봇 전반에 걸친 일반화 능력을 강조합니다. ^[4]

MuJoCo WASM

AXIS는 WebAssembly로 컴파일된 MuJoCo를 기반으로 구축된 브라우저 기반 원격 조작 시스템을 사용하여, 특수 하드웨어나 소프트웨어 설치 없이도 전체 물리 시뮬레이션이 로컬에서 실행될 수 있도록 합니다. Three.js와 WebGL은 실시간 3D 렌더링을 제공하며, 내장된 역기구학(inverse kinematics) 솔버는 위치, 회전, 그리퍼 상태와 같은 엔드 이펙터 입력을 관절 수준의 명령으로 변환합니다. 지연 시간을 줄이기 위해 물리 엔진, 렌더링 및 사용자 인터페이스는 별도로 작동하며, 궤적 데이터는 작동 중에 버퍼링되었다가 내장된 체크 도구가 작업 완료를 확인한 후 작업 메타데이터와 함께 표준화된 JSON 파일로 패키징됩니다.

이 시스템은 평행 그리퍼와 정교한 손을 포함한 다양한 로봇 형태에 대해 공통된 제어 방법을 제공합니다. 사전 정의된 파지(grasp) 템플릿은 다양한 조작 구성을 나타내며, 작업자는 단일 매개변수를 조정하여 열린 휴식 위치와 선택된 파지 사이를 보간함으로써 복잡한 다관절 손 제어를 하나의 입력 축으로 단순화할 수 있습니다. 새로운 로봇 형태는 기본 원격 조작 시스템을 변경하지 않고도 휴식 위치와 관련 파지 템플릿을 정의함으로써 통합될 수 있습니다. ^[4]  

사실적 증강 (Realistic Augmentation)

AXIS는 IsaacSim을 사용하여 Linux GPU 서버에서 브라우저로 수집된 로봇 궤적을 처리합니다. 재생 중에 시스템은 조명, 텍스처, 재질, 배경, 카메라 설정 및 질량, 마찰, 댐핑, 관절 컴플라이언스와 같은 물리적 매개변수 전반에 걸쳐 사실적인 렌더링과 도메인 무작위화를 적용합니다. 이러한 변형은 모델을 단일 고정 시뮬레이션 환경에 대해 훈련시키는 대신 다양한 시각적 및 물리적 조건에 노출시키기 위한 것입니다. 또한 증강 시스템은 여러 가상 카메라 시점에서 관찰 데이터를 생성하여 각 궤적에서 RGB, 깊이(depth) 및 세그멘테이션 데이터를 생성합니다. 따라서 단일 원본 시연 데이터는 원래의 행동을 보존하면서도 외형, 시점 및 물리적 조건이 다양한 수천 개의 샘플로 확장될 수 있습니다. 이 접근 방식은 시연된 작업과의 일관성을 유지하면서 훈련 데이터셋의 크기와 가변성을 증가시킵니다. ^[4]

도메인 무작위화 (Domain Randomization)

RoboVerse 도메인 랜덤화(DR) 시스템은 시뮬레이션 환경 내에서 시각적 및 물리적 조건을 변경함으로써 로봇 강화 학습 및 모방 학습에서의 과적합을 줄이도록 설계되었습니다. 이 시스템은 장면 수명 주기 관리와 속성 편집을 분리합니다. SceneRandomizer는 객체의 생성, 제거 및 교체를 담당하며, 전용 랜덤화 도구는 재질, 조명 및 카메라 파라미터를 수정합니다. ObjectRegistry는 시뮬레이션 객체에 접근하기 위한 공통 인터페이스를 제공하며, 3계층 장면 계층 구조는 광범위한 환경, 조작 작업 공간 및 시각적 방해 요소를 분리합니다. 이 시스템은 물리 엔진이 적용된 정적 객체와 런타임에 관리되는 시각적 객체를 모두 지원합니다.

랜덤화는 통제된 실험을 지원하기 위해 점진적으로 적용되며, 베이스라인에서 시작하여 후속 단계에서 장면 기하학 및 재질, 조명, 카메라 변경 사항을 추가합니다. 독립적인 난수 생성기와 고정된 시드를 통해 분산 훈련 중에도 실험을 재현할 수 있으며, 시스템은 물리를 위한 IsaacLab과 렌더링을 위한 IsaacSim 모두에서 작동할 수 있습니다. 또한 클라우드 기반 자산 데이터셋 및 URDF-to-USD 변환을 포함한 자동화된 자산 처리를 통합하며, 반복적인 환경 리셋을 위해 메모리 효율적인 장면 작업을 수행합니다. ^[4]

데이터 파이프라인

AXIS 데이터 파이프라인은 인간의 데이터 수집 전에는 작업 생성을 자동화하고, 수집 후에는 궤적 처리를 자동화합니다. 작업 생성 엔진(Task Generation Engine)은 자연어 지침을 구조화된 조작 작업으로 변환하고, 2,000개 이상의 객체가 포함된 데이터베이스에서 3D 자산을 선택하거나 생성하며, 공간 레이아웃을 구성하고, 결과 장면을 검증하며, 작업별 성공 체크 항목을 생성합니다. 그런 다음 객체 위치, 혼란도(clutter) 및 카메라 시점의 변형을 샘플링하여 동일한 작업의 다양한 인스턴스를 생성합니다. 이 플랫폼은 집기 및 놓기(pick-and-place), 밀기, 분류, 붓기, 열고 닫기, 쌓기 및 다단계 조작을 포함한 90개 이상의 작업 카테고리를 다룹니다.

원격 조작(teleoperation) 후, 궤적은 손상된 데이터, 부적절한 상태 변화 및 실패한 작업 조건에 대해 필터링되며, 정지 프레임은 제거되고 남은 움직임은 부드럽게 처리되어 6–8 Hz에서 20 Hz로 업샘플링됩니다. 16개의 LIBERO 벤치마크 작업에 대한 테스트에서 이 프로세스는 평균 가속도를 54%, 평균 저크(jerk)를 47% 감소시켰습니다. 정제된 궤적은 IsaacSim에서 재생되며, 여기서 조명, 재질, 텍스처, 물리 파라미터, 배경 및 카메라 시점을 다양하게 변경하여 원래의 작업 동작을 유지하면서 다중 뷰 RGB, 깊이(depth), 세그멘테이션 및 기타 주석을 생성합니다. 결과 데이터셋은 시각-언어-행동(VLA) 및 모방 학습 훈련에 사용되도록 구조화됩니다. ^[5]

훈련

AXIS는 정제되고 증강된 시뮬레이션 데이터를 사용하여 두 가지 주요 유형의 로봇 정책을 훈련합니다. 하나는 작업별 행동 복제(behavior-cloning) 및 확산 정책(diffusion-policy) 모델이고, 다른 하나는 범용 시각-언어-행동(VLA) 모델입니다. 훈련 프로세스는 데이터 처리 및 증강의 효과를 측정하기 위해 일관된 작업 정의와 훈련 예산을 사용하여 원시 원격 조작 데이터, 정제된 궤적, IsaacSim을 통해 증강된 정제 궤적을 비교합니다. 정책은 다양한 객체 구성, 텍스처, 조명, 물리 파라미터 및 장면 레이아웃 하의 시뮬레이션에서 평가된 후, 집기 및 놓기, 서랍 조작, 붓기, 버튼 누르기와 같은 작업에 대해 Franka Research 3 로봇 팔을 사용하여 시뮬레이션에서 실제 환경으로의 전이(sim-to-real transfer) 테스트를 거칩니다.

이 훈련 시스템은 주로 시뮬레이션 및 합성 데이터로 훈련된 정책이 실제 세계 조건에서 작동할 수 있는지 여부를 평가하기 위한 것입니다. 해당 프로젝트에서 보고된 연구에는 로봇 그리핑을 위한 시뮬레이션 기반 훈련을 조사한 GraspVLA와 서로 다른 형태(embodiments) 간의 로봇 기술 결합을 다룬 SkillBlender가 포함됩니다. 이 시스템은 궤적 재생 중 MuJoCo와 IsaacSim 간의 차이, 원격 조작 데이터의 제한된 조밀한 라벨링 및 작업 성공 신호, 그리고 운동학 및 제어 특성이 실질적으로 다른 로봇 간에 정책을 이전할 때 형태별 적응이 필요하다는 점을 포함하여 몇 가지 명시된 한계점을 가지고 있습니다. ^[6]

아키텍처

AXIS 아키텍처는 네 가지 기술 계층으로 구성됩니다: World Generation(세계 생성), Behavior Collection(행동 수집), Data Refinement(데이터 정제), 그리고 Model Training & Deployment(모델 학습 및 배포). L1은 자연어 작업 사양과 에셋 라이브러리를 사용하여 MetaSim 장면 설명 시스템을 통해 시뮬레이터 호환 환경을 생성합니다. L2는 사용자가 브라우저 기반 인터페이스를 통해 시뮬레이션된 로봇을 제어할 수 있게 하며, 키보드, 휴대폰, 게임패드, VR과 같은 장치의 입력을 표준화된 로봇 궤적으로 변환합니다. 승인된 데이터는 Base 체인 상에 출처 기록이 할당됩니다. L3는 이러한 궤적을 정제하고 IsaacSim 기반 GPU 프로세싱 및 도메인 무작위화(domain randomization)를 사용하여 기하학적 구조, 재질, 조명, 카메라 설정 및 물리적 특성의 변화를 포함하는 더 큰 데이터셋으로 시연 데이터를 확장합니다.

L4는 결과 데이터셋을 사용하여 행동 복제(behavior-cloning), 확산 정책(diffusion-policy), 시각-언어-행동(Vision-Language-Action) 모델을 학습시킵니다. 이 모델들은 실제 하드웨어에서 sim-to-real 테스트를 거치기 전, 다양한 시뮬레이터, 환경 및 로봇 형태에 걸친 일반화 능력을 평가받습니다. 이 아키텍처는 계층 간의 책임을 분리하고 표준화된 데이터 인터페이스를 사용하여 시스템 전체를 변경하지 않고도 개별 구성 요소를 수정할 수 있도록 합니다. 파이프라인 전반에 걸쳐 출처가 유지되며, 데이터 ID를 통해 궤적, 증강된 데이터셋, 학습된 모델을 원래의 데이터 소스와 연결합니다. ^[3]

자금 조달

2026년 7월, AXIS는 Hack VC가 주도하고 Nomad Capital, Pi Core Team Ventures, 10K Ventures 및 엔젤 투자자들이 참여한 1,200만 달러 규모의 시드 라운드 투자를 발표했습니다. 회사는 이번 투자금이 대규모 시뮬레이션, 실제 환경의 자기중심적(egocentric) 데이터 수집, 그리고 인간 참여형(human-in-the-loop) 사후 학습을 결합하여 구조화된 로봇 데이터셋을 생성하는 물리적 AI용 데이터 인프라 플랫폼 개발을 지원할 것이라고 밝혔습니다. AXIS는 이 시스템을 물리적 AI 모델의 지속적인 개발과 개선을 지원하기 위한 폐쇄 루프(closed-loop) 데이터 파이프라인으로 설명했습니다. ^[2]

파트너십

• Dexmal
• Geely
• Stepfun
• Lotus
• Booster
• Manycore