Axis Robotics’ @axisrobotics simulation engine is the part of the stack that turns human demonstrations into scalable robot training data. It sits at the center of the company’s simulation-first approach and connects browser teleoperation, augmentation, and sim-to-real deployment into one pipeline. The core idea is simple: users control robots in a browser through a MuJoCo WebAssembly frontend, so they can create demonstrations without special hardware or heavy compute. Those demonstrations are saved in a unified trajectory format, then replayed on GPU-based Linux servers where an IsaacSim-based backend generates realistic, domain-randomized rollouts. This makes the data more diverse and more useful for training robot policies. What makes the simulation engine technically interesting is that it supports multi-simulator development and cross-machine orchestration across web, Mac, Windows, and Linux GPU systems. That means the platform is not tied to one environment or one machine type. It can move data and tasks across different systems while keeping the training pipeline coherent. The engine also feeds two production workflows: data cleaning and trajectory refinement, plus model training with sim-to-real evaluation. In other words, it is not just replaying motions for display - it is actively preparing data for real-world robot deployment. Axis Robotics describes this as a way to solve the robotics data bottleneck by building a distributed data engine for Physical AI. The broader vision is to convert raw human intuition into valid trajectories, scale them through simulation, and turn them into robot intelligence that can work in the physical world. #AxisRobotics #PhysicalAI #Robotics #AI #SimToReal

WIRoboticsのALLEX Simulation Model、『人型ロボットの本物に近いデジタル練習場』 実機なしでも制御・学習・合成データ生成を進め、Sim-to-Realの壁を小さくする。 youtu.be/5fsfo_FZDS0 #HumanoidRobot #PhysicalAI #Simulation #SimToReal #ALLEX #WIRobotics

Sim-to-real workflows just leveled up. Noitom Robotics now supports NVIDIA Isaac Teleop, bringing our PNS and PNLink motion capture systems into a unified teleoperation pipeline for precise, low-latency human input. Get started: nvidia.github.io/IsaacTeleop… #EmbodiedAI #HumanoidRobotics #NVIDIAIsaac #Teleoperation #RobotLearning #SimToReal

Check out our little Chemistry Set testbed. Carbon - When precision matters! youtube.com/watch?v=htW1xIj9… #AI #Robotics #PhysicalAI #SimToReal #DigitalTwin #RL

🤖 The future wo not be powered by chatbots alone. It will be powered by robots that truly understand and interact with the physical world safely, intelligently, and at scale. This is the dawn of Physical AI. @axisrobotics #AxisRobotics #PhysicalAI #Robotics #SimToReal

Hyundai and Boston Dynamics’ Ghost Rabona work with Atlas is a strong example of how far motion learning in humanoid robots has progressed. In this work, Atlas does not perform the movement through manually programmed commands from scratch. Instead, it learns from reference motions based on human demonstrations, combined with reinforcement learning and simulation-based training. First, high-quality kinematic data is collected from a football player through motion capture. This human motion is then adapted to Atlas’ own body structure and joint constraints. In simulation, the robot learns to solve balance, motor control, and timing challenges through thousands of parallel trials. The Ghost Rabona is particularly difficult because the robot needs to execute a fast fake movement, control its center of mass, maintain balance on one leg, and complete a powerful kick through full-body coordination. It seems that we may not be too far from seeing longer and more complete football-specific humanoid robot skill videos. What do you think? 🎥 via Hyundai and Boston Dynamics ℹ️ This content is shared for informational purposes only. All intellectual property rights belong to their respective owners. #HumanoidRobots #Hyundai #BostonDynamics #AtlasRobot #PhysicalAI #ReinforcementLearning #SimToReal #Robotics

We prototyped this palletizing robot entirely in simulation. Half a day later, it was running on real hardware, with motion planning hardware integration handled by Viam. Full video on YouTube 👉 youtu.be/tHEZBhgmCAY #Robotics #palletizing #industrialautomation #simtoreal

Unitree R1 İnsansı Robot ile Robot kontrol algoritmaları, Görü hareket AI modelleri ve Simülasyon → gerçek dünya geçişi algoritmalarını test edin. #UnitreeR1 #HumanoidRobot #RoboticsResearch #AI #SimToReal #RobotControl #DeepLearning #UniversityLab #MeseBilisim #MucitRobot

🚀 Axis Robotics: The Compounding Engine Behind Physical AI x.com/axisrobotics/status/20… One of the biggest misconceptions in robotics is that better AI simply comes from collecting more data. Axis Robotics argues that this is only part of the story. The real advantage in Physical AI comes from building a system where every commercial deployment makes the next deployment better. In its latest article, Axis dives deep into the compounding mechanism behind its business model and explains why the true value of Physical AI is not just data accumulation—but the continuous refinement of data generation, training recipes, and deployment success. 📈 Physical AI Doesn't Scale Through Data Alone Many companies focus on increasing dataset size. Axis focuses on increasing the value generated from every deployment. Their core flywheel looks like this: More Customer Scenarios → Richer Task Definitions → Better Targeted Data → Deployment Feedback → Improved Training Recipes → Stronger Future Deployments Each commercial engagement contributes knowledge back into the system. This means every deployment becomes an investment that improves future deployments. At the center of this process is the Task Package—the commercial delivery unit of Axis. Behind every Task Package sits the real compounding asset: The Dynamic Data Engine. 🎯 Why This Matters Many robotics companies are still focused on solving individual tasks. Axis is attempting something much larger: Building a self-improving commercial infrastructure for Physical AI. The company is not simply collecting data. It is learning: • How to generate the right data. • How to structure that data. • How to train more effectively. • How to deploy more reliably. • How to repeat the process at scale. Every customer interaction strengthens the system. Every deployment improves the next one. Every failure becomes an asset. 🌍 The Long-Term Vision The most valuable output of Axis may not be the data itself. It may be the continuously improving engine that sits behind the data. A system where: Commercial Delivery → Feedback → Better Data → Better Models → Better Deployment → More Commercial Delivery This is how Physical AI can truly scale in the real world. Not through endless data collection, but through a compounding cycle of learning, deployment, and refinement. Axis is building more than a data platform. It is building a self-improving operating system for Physical AI—one deployment at a time. @axisrobotics #AxisRobotics #PhysicalAI #Robotics #ArtificialIntelligence #MachineLearning #SimToReal #DataInfrastructure #Automation

🤖 KHI THẾ GIỚI ẢO TRỞ THÀNH PHÒNG THÍ NGHIỆM TỐI THƯỢNG CHO ROBOT Từ trước đến nay, giới robotics luôn tồn tại một lời nguyền Dữ liệu thực tế là vua. Muốn robot khéo léo, bạn phải tốn hàng ngàn giờ điều khiển thủ công, chi phí đắt đỏ và cực kỳ khó mở rộng. 💸 Nhưng sự xuất hiện của MolmoBot từ Ai2 đã chính thức thách thức tư duy đó. Liệu chúng ta có thể huấn luyện một bộ não robot hoàn chỉnh mà không cần đến một giây dữ liệu thực tế nào? 🚀 Bước Ngoặt Từ MolmoBot: Sim to Real Không Còn Là Giấc Mơ MolmoBot không chỉ là một mô hình thử nghiệm, nó là minh chứng cho sức mạnh của Dữ liệu Mô phỏng quy mô lớn. Thay vì chờ đợi thu thập dữ liệu từ thế giới thực, MolmoBot tự học trong vũ trụ ảo với: 1.7 triệu quỹ đạo chuyên gia. 11,000 vật thể đa dạng. 94,000 môi trường được tạo ra bằng thuật toán (procedural generation). Kết quả? 📈 Trong bài kiểm tra gắp thả thực tế, MolmoBot đạt tỷ lệ thành công 79.2%, vượt xa con số 39.2% của mô hình DROID (vốn được huấn luyện trên dữ liệu thực tế khổng lồ). Điều này chứng minh rằng môi trường ảo đủ đa dạng, robot hoàn toàn có thể thẩm thấu các kỹ năng vật lý để áp dụng ngay vào đời thực mà không cần tinh chỉnh (zeroshot transfer). 🏗️ Góc Nhìn Từ Axis: Xây Dựng Xương Sống Cho Dữ Liệu Robotics Tại Axis, chúng tôi không nhìn nhận Simulation (mô phỏng) là sự thay thế hoàn toàn cho con người. Thay vào đó, chúng tôi coi đây là Đòn bẩy quy mô. 💥 Chiến lược mà Axis đang theo đuổi chính là sự giao thoa hoàn hảo: Ý chí con người (Human Teleoperation): Cung cấp các hành vi phức tạp, giải quyết các tình huống đuôi dài (edge cases) mà máy tính chưa tự nghĩ ra được. Sức mạnh mô phỏng (Simulation Augmentation): Nhân bản những bài học đó lên gấp hàng triệu lần trong môi trường ảo để tối ưu hóa độ chính xác và khả năng thích nghi. Việc MolmoBot thành công là một tín hiệu xanh cho thấy lộ trình của Axis về một hạ tầng dữ liệu hợp nhất nơi dữ liệu sạch, quy trình kiểm định nghiêm ngặt và khả năng mở rộng mô phỏng sẽ giúp mọi doanh nghiệp robotics rút ngắn thời gian triển khai từ nhiều năm xuống còn vài tháng. 🛠️ Kỷ nguyên của Robot học từ dữ liệu đang dịch chuyển từ giai đoạn thu thập thủ công sang tự động hóa dữ liệu. MolmoBot đã mở cánh cửa, và Axis đang xây dựng con đường để mọi robot có thể bước qua cánh cửa đó một cách hiệu quả nhất. Bạn nghĩ sao về việc robot chỉ học qua game mà vẫn làm việc giỏi hơn robot học từ người? Hãy để lại ý kiến dưới phần bình luận! 👇 #Robotics #AI #MolmoBot #SimToReal #AxisData @axisrobotics

Robots trained entirely in simulation are beginning to navigate and grasp objects in the real world. bit.ly/4ecDwIg #SimToReal #NVIDIARobotics #RoboticsAI

If your @axisrobotics task failed recently — you're not alone. A lot of contributors are confused about why it happened and what to do next. Here's the reasons: → Bot activity — Task 805 had unusually high failure rates because bots were spamming it, not real players → Gripping & manipulation issues — failed grasps, objects slipping, gripper problems mid-task → Physics glitches in sim — lag, objects clipping, unstable long-task sessions → Harder new tasks — microwaves, ovens, cabinets require open/close/press skills that are genuinely more complex So what should you do? Honestly? Just move on to the next task. You can't fix the bots, the sim glitches, or the data pipeline yourself. Don't stress over a failed task — it's not always on you. #AxisRobotics #PhysicalAI #RoboticsAI #TaskFailure #SimToReal #AIContributors

【Robo Spotlight】 🖥️Building smarter robotics with a hybrid system.🤖Dive into this #tech case and learn how we integrated #WSL, #ROS, and #Unity—using the #myCobot 280 M5 to validate seamless communication across platforms👉bit.ly/3Zp7i3E #robotics #SimToReal #Tech

Computex Taipei 2026 is just around the corner, and NVIDIA's upcoming keynote on June 1st will undoubtedly spotlight the era of Physical AI. Right now, the biggest bottleneck in the robotics industry is the data crisis: collecting enough trajectories to train a robot for a single real-world manipulation task can take 6 to 12 months and cost up to $2 million. That’s exactly why SR-Platform @StrikeRobot_ai is positioned as a true Physical AI Data Factory. The system can transform a natural language description into complete, photorealistic, and annotated training datasets ready to directly train VLA models with zero manual intervention. By natively integrating the Newton physics engine, it flawlessly simulates contact-rich tasks requiring high precision and physical deformation, such as connector insertion and cable routing. Then, through the NVIDIA Cosmos pipeline, the simulated data is transformed to bridge the sim-to-real gap and packaged perfectly into LeRobot or RLDS standards. Fully automating the sim-to-real training data pipeline is the mandatory next step to unlock the true potential of Agentics and Behavior Foundation Models. Can't wait to see the groundbreaking AI infrastructure solutions unveiled at next week's event! 🔥 🔗 Event details: events.computextaipei.com.tw… #PhysicalAI #Robotics #Computex2026 #NVIDIA #SRPlatform #SimToReal #Agentics

🧵 SIM-TO-REAL GAP LÀ GÌ? THÁCH THỨC LỚN NHẤT CỦA ROBOTICS AI 🤖 @axisrobotics Một robot có thể hoạt động hoàn hảo trong mô phỏng. Nhưng khi bước ra thế giới thật, nó có thể thất bại ngay lập tức. Khoảng cách này được gọi là Sim-to-Real Gap. 👇 🧠 SIM-TO-REAL GAP LÀ GÌ? Sim-to-Real Gap là sự khác biệt giữa: môi trường mô phỏng (simulation) môi trường thực tế (real world) Trong mô phỏng: mọi thứ sạch sẽ điều kiện ổn định ít nhiễu Ngoài đời: ánh sáng thay đổi vật thể đa dạng môi trường khó dự đoán 📌 Hiểu đơn giản: Điều robot học trong mô phỏng không phải lúc nào cũng hoạt động ngoài đời thật. 🤖 VÌ SAO ĐÂY LÀ BÀI TOÁN KHÓ? Robot phải đối mặt với: sai số cảm biến ma sát khác nhau vật thể biến đổi chuyển động không hoàn hảo Chỉ một khác biệt nhỏ cũng có thể khiến robot thất bại. ⚙️ AXIS GIẢI QUYẾT NHƯ THẾ NÀO? Axis thu hẹp Sim-to-Real Gap bằng: Physical consistency checks Data cleaning Smoothing In-task randomization Diverse trajectories Insight: Mô hình càng được huấn luyện trên dữ liệu đa dạng và đúng vật lý, khả năng thích nghi với thế giới thật càng cao. 🌍 VAI TRÒ CỦA RANDOMIZATION Khi asset, màu sắc, vị trí và điều kiện thay đổi liên tục, robot buộc phải học nguyên tắc tổng quát thay vì ghi nhớ. Điều này giúp tăng khả năng generalization. 🏆 TẠI SAO ĐIỀU NÀY QUAN TRỌNG? Một mô hình chỉ giỏi trong mô phỏng có giá trị hạn chế. Giá trị thực sự nằm ở khả năng: biến kỹ năng trong simulation thành hành động đáng tin cậy ngoài đời thật. 💡 Insight lớn nhất Trong robotics, bài toán không phải là “robot có học được không”. Mà là: “Những gì robot học có thực sự hoạt động ngoài đời không?” Sim-to-Real Gap chính là câu trả lời cho câu hỏi đó. 📌 KẾT LUẬN Nếu phải tóm tắt trong 1 câu: Sim-to-Real Gap là khoảng cách giữa thành công trong mô phỏng và hiệu quả ngoài thế giới thực. Axis đang xây dựng dữ liệu để thu hẹp khoảng cách này. 🚀 Join Axis Robotics: hub.axisrobotics.ai/login?in… 📲 Telegram CĐVN: t.me/AxisroboticsVietnam/1 🤖 Telegram Bot: t.me/tgbot?start=lYPkTomm-nM… #AxisRobotics #AI #Robotics #PhysicalAI #SimToReal #Web3 #Base