[Axis نے جاری کیا گیا 100 گھنٹے کا Egocentric ڈیٹا، انسانی کام کو روبوٹ سیکھنے کے ڈیٹا میں کیسے تبدیل کیا جاتا ہے] @KaitoAI X @axisrobotics Axis میں شمولیت کا لنک (ریفرل): https://t.co/hUbWSVsBVR انسان جب کپ کو اٹھاتا ہے تو اپنی انگلیوں کے زاویے یا کلائی کے راستے کا حساب نہیں لگاتا۔ صرف سامنے والے کپ کو قدرتی طور پر اٹھا کر کہیں اور رکھ دیتا ہے۔ ایک روبوٹ کو اسی کام کو سکھانا ہو تو بات الگ ہوتی ہے۔ ہاتھ کو آبجیکٹ کے قریب آنے کے لمحے، اسے حقیقی طور پر چھونے کے لمحے، اٹھانے کے بعد حرکت کا راستہ، اور دوبارہ رکھنے کے لمحے تک تمام حرکتوں کو الگ الگ تقسیم کرنا پڑتا ہے۔ انسان کے لیے یہ ایک مسلسل حرکت ہوتی ہے، لیکن روبوٹ کو سیکھنے کے لیے اس میں کیا ہوا، اسے ڈیٹا کے طور پر الگ الگ نکالنا پڑتا ہے۔ Axis نے ستمبر کے شروع میں اپڈیٹ کیا گیا axis-ego-samples اس عمل کو حقیقی فائلوں کے ذریعے دکھاتا ہے جس میں انسانی حرکت کو روبوٹ سیکھنے کے ڈیٹا میں تبدیل کیا جاتا ہے۔ اب تک جاری کردہ egocentric ویڈیوز 100 گھنٹوں پر مشتمل ہیں۔ ان میں تعلیم، رہائش، ریٹیل، اسٹور، دستکاری، کیٹرنگ، آفس، پیداوار، اور لاجسٹکس سمیت مختلف عملی ماحولوں کو scene category کے طور پر تقسیم کیا گیا ہے، جنہیں عملدار کے نظریہ سے فلمایا گیا ہے۔ ڈیٹا LeRobot فارمیٹ میں ترتیب دیا گیا ہے اور اس میں پہلے سطح کا dense action annotation بھی شامل ہے۔ ویڈیوز میں ظاہر ہونے والی حرکتیں خاص نہیں ہیں۔ چھوٹے آبجیکٹس نکالنا، دوسری جگہ رکھنا، آلہ استعمال کرنا، یا ورکسٹین صاف کرنا جیسے افعال۔ انہیں روزمرہ زندگی یا نوکری میں عام طور پر دेखا جاتا ہے۔ لیکن ان عام حرکتوں کو روبوٹ سیکھنے کا ڈیٹا بنانے کے لیے بہت زائد تفصیل درکار ہوتی ہے۔ Annotation review میں 101 clips شامل ہیں اور frame-by-frame زبان کا annotation 80,090 segments میں تقسیم ہے۔ پورے ویدئو پر صرف ا ek عمل کا نام نہ لگانا بلکہ حرکت بدلنے والے لمحات پر تقسیم کرنا ضروری ہوتا ہے تاکہ ہر لمحہ معلوم ہو سکے کہ کون سا عمل جب ہوا۔ ایک کپ منتقل کرنے والا منظر بھي اس طرح تقسیم ہوتا ہے۔ ہاتھ کپ کے قریب آنے والا حصہ اور اسے حقیقی طور پر پکڑنے والا لمحہ الگ الگ ہوتا ہے، اور حرکت دوران حالت اور رکھنے والا لمحہ بھي الگ الگ درج ہوتا ہے۔ انسان کी نظر ميں اِيک قدرتى حرکت لگتى هى، لىكن ڈيٗٹا ميں يه متعدد مراحل ميں تقسيم هوتى هى۔ اس عمل كى ضرورت اِس لئى هى كى انسيان اور روبوٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎ ‎ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‌ ‎ روبوت سب سامنے آتا ہے۔ انسان کا ہاتھ متعدد جوڑوں اور انگلین تحریر سے آزاد طور پر استعمال ہوتا ہے، لेकن روبوٹ مختلف ساختوں ميں مختلف حدود تك حرکت كرتا هى۔ کبھي ساده gripper استعمال كيا جاتا هى، كبھي كاميرا كي جگه بھي مختلف هوتى هى۔ انسان كي حركت كي براسته روبوٹ عمل ميں نقل كرنا حل نهى هى۔ ویدئو ميں حرکت كي حدود اور آبجيكت كي حالت كي پهلي درج كريني پڑتى هى، فِر ان كي روبوٹ كي عمل كي قابل تعبير شكل ميں دُباره جُڑنا ضروري هى۔ فلمائش كي تنصيب بھي مختلف قسم كى استعمال هوتى هى۔ axis-ego-samples ميں dual fisheye, six-camera RGB+SLAM, MEgo, Gen DAS Ego, FEAGINE EGO, GI Labs سميت مختلف capture device سे حاصل شدہ نمونوں كى وضاحت كى گئى هى۔ ایک ہी عمل فلمائش بھي مختلف طرح سے فلمائش جائ سكتا هى۔ دائره دید مختلف هوتا هى، هاتھ فريم ميں مختلف جگه ظاهر هوتا هى، اور موقع كي معلومات حاصل كرنे كي طريقيه بھي مختلف device كي بناء پر مختلف هوتى هى۔ عملى ماحول ميں بڑى پيمانيك داد جمع كرنे كي لئي يه فرق نظر انداز نهى كيا جاسكتا۔ صرف ايك قسم كى تنصيب اور ايك فلمائش شرط كي فرضيات بنانى كي بجائ، مختلف انپُٹس كي سيكھنې كي صلاحية بنانې كي ضرورت هوتى هى۔ مخصوص sample-150h-10cat فولڈر ميں delivery corpus سे حاصل شدہ category-wise 10 episodes شامل هين۔ لېكين public repository پر صرف يه 10 نمونې موجود هين، جبكه 150 گھنٹوں كي corpus كامل طور پر جارى نهى كيا گيا هى۔ اب تك axis-ego-samples repository كا مجموعي فائل سائز تقربيًا 770GB هى۔ اس ڈे�ٹا سے Axis كي دوسرى مصنوعات سے كس طرح منسلك هوا جاسكتا هى، وه بھي دेखا جاسكتا هى۔ Mobile Egocentric App وضاحت كرتى هى كه جب شخص حرکت كرتا هى تو hand pose كي حقائق وقت ميں نكالنا اور ان حركات كو robotic motion ميں تبديل كرنا شروع كرتى هى۔ براؤزر simulation ميں شخص خود virtual robot ko control كرتا هوا state اور action بناتا هى۔ egocentric capture ميں واقعي فضا ميں شخص جو عمل كرتا هى، اس عمل كي فلمائش كريني پڑتى هى، فِر ان ميں سे روبوٹ سيكھنې كي لئي ضروري حركات نكالني پڑتى هين۔ ایک طرح روبوٹ ko مستقلاً حرکت ديتًا جاتًا है ताकि डेटा बनाया जा सके, दूसरी तरह वह डेटा है जो इंसान के द्वारा पहले से किए जा रहे कार्यों से बनाया जाता है। यहाँ एक दिलचस्प बात सामने आती है। रोबोट को अनुभव प्राप्त करने के लिए, आवश्यक नहीं कि हमेशा रोबोट को हिलाया जाए। इंसान प्रतिदिन कई वस्तुओं को संभालता है। कप उठाना, दरवाजा खोलना, बक्से सजाना, और उपकरणों का उपयोग करना—ये सभी क्रियाएँ वास्तविक जीवन में बार-बार होती हैं। अगर हम इन क्रियाओं को पर्याप्त सटीकता से रिकॉर्ड कर सकें और उन्हें रोबोट की हरकतों से जोड़ सकें, तो मनुष्य के दैनिक जीवन में किए जाने वाले सामान्य कार्य स्वयं ही रोबोट सीखने के लिए डेटा का स्रोत बन सकते हैं। यह विचार कैसे रोबोटिक्स के अनुसंधान में प्रयोग में लाया जा सकता है, इसकी जानकारी Axis के स्वतंत्र अध्ययन EgoScale में भी मिलती है।2026ء کے فروری میں جاری کیا گیا EgoScale، VLA کو پہلے 20,854 گھنٹے سے زائد ایکشن لیبلڈ ایگوسینٹرک انسانی ویڈیوز کے ساتھ پری-ٹرین کرنے کے بعد، انسان-روبوٹ مطابقت والے ڈیٹا کو مزید تربیت دیا گیا۔ 22-DoF چست روبوٹک ہاتھ کے ایوان میں، آخری پالیسی کی اوسط کامیابی کی شرح نو-پری-ٹریننگ بنیادی سے 54% زیادہ تھی۔ EgoScale ایک Axis-سے آزاد تحقیق ہے، اور صرف انسانی ویڈیوز کو زیادہ شامل کرنے سے روبوٹ فوراً اچھی طرح حرکت نہیں کرے گا۔ اس ایک مثال ہے جہاں انسان کے رویوں سے پہلے وسیع تجربہ سیکھا جاتا ہے، اور پھر اصل روبوٹ کے جسمانی پہلو اور ایکشن کے مطابق مزید ڈیٹا شامل کرنے سے صلاحیت میں بہتری آتی ہے۔ Axis اس ڈیٹا کو حقیقی تعاون میں بھی جوڑ رہا ہے۔ 28 اگست کو جاری کردہ Dexmal کے تعاون میں، Axis نے Dexmal کے VLA اور ورلڈ ماڈل کے لیے بڑے پیمانے پر ایگوسینٹرک، س뮬یشن، اور رئل ورلڈ ڈیٹا پیدا کرنے کا ذمہ داری لینے کا اعلان کیا۔ ابھی تک جاری نہ ہونے والے پہلو بھی ہیں۔ Dexmal کو حقیقت میں منتقل کردہ ڈیٹا کا حجم، اور یہ ڈیٹا ماڈل کی صلاحیت پر کس قسم کا اثر ڈال رہا ہے، ابھی تک جاری نہیں کیا گيا۔ ابھی تک جاری شدہ مواد سے بھی Axis کس قسم کا کام کر رہا ہے، اس کا واضح اندازہ لگایا جا سکتا ہے۔ 100 گھنٹوں کا LeRobot ڈیٹا حقیقت میں اپ لوڈ ہو چکا ہے، اور فریم-بائی-فریم انوٹیشن 80,090 سیگمنٹس تک تقسیم ہو چکا ہے۔ کئی کیپچر ڈوائسز سے حاصل شدہ نمونے بھی جاری کردئے گئے ہیں۔ اس عمل میں، انسان جو حقیقی دنیا میں قدرتی طور پر انجام دेतا ہے، اس کے مختصر اقدامات کو فلمایا جاتا ہے، پھر ان میں اقدامات کے حدود تقسیم کئے جاتے ہیں، اشیاء اور ہاتھوں کے حرکات کو منظم کرکے روبوٹس کے لئے سीکھنے کے قابل شکل دینا۔ انسان کے لئے جو چند سیکنڈ بے خبرانہ گزر جاتے ہیں، وہ روبوٹ کے لئے اکثر اکثر تربیت کا تجربہ بن جاتے ہیں۔ Axis جو اب جاری کر رہا ہے، وہ اس عمل کا حقیقی ڈیٹا پر بنایا گيا نتائج ہے۔ #PhysicalAI #RobotLearning