BridgeData vs RoboMimic: Manipulation Datensatz Showdown

BridgeData und RoboMimic sind in fast allen Papieren zum Nachahmen erscheinen, sind aber nicht austauschbar. BridgeData V2 ist ein großer Datensatz aus der realen Welt auf einem kostengünstigen WidowX-Roboter, der darauf abzielt, verschiedene reale Demos zu skalieren. RoboMimic ist eine kuratierte Simulationssuite für Aufzug, Kan, Platz, Transport und ToolHang-Aufgaben, die darauf ausgelegt ist, strenge Fragen zur Qualität der Demonstration zu beantworten - proficient-human, multi-human und maschinengenerated.

TL;DR

• Real-World: BridgeData V2 echte WidowX-Demonstrationen in 24 Umgebungen.
• Simulation: RoboMimic Robosuite-Aufgaben mit sauberen Reset-Bedingungen und PH/MH/MG-Splitten.
• Skala: BridgeData V2 ist in der Rohzahl (~60K Flugbahnen) viel größer.
• Kontrollierte Studie: RoboMimic gewinnt die PH/MH/MG-Spaltung ist immer noch die kanonische Methode zur Untersuchung der Demonstrationsheterogenität.
• Hardware zugänglich: Beide setzen auf kostengünstige Arme (WidowX 250 für Bridge; nur sim für RoboMimic).

Vergleichstabelle

Attribute	BridgeData V2	RoboMimic
Released	2023 (UC Berkeley RAIL)	2021 (ARISE Initiative, Stanford)
Domain	Real-world	Simulation (Robosuite) + optional real
Trajectories	~60,000	~1,500 high-quality per task split (PH/MH) + MG generated
Tasks	13 manipulation skill categories across 24 environments	Lift, Can, Square, Transport, ToolHang
Embodiment	WidowX 250 (6-DoF low-cost arm)	Sim: Franka Panda; reference policies support Sawyer etc.
Language conditioning	Yes (natural language instructions)	Not required; tasks are defined by state
Demonstration splits	One combined split	PH (proficient-human), MH (multi-human), MG (machine-generated)
Approx. size on disk	~400 GB	~30-60 GB depending on modalities
License	CC-BY-4.0	MIT
Primary use case	Training real-world VLA / language-conditioned policies	Controlled imitation-learning ablations and policy research
Paper	arXiv:2308.12952	arXiv:2108.03298

Für was ist BridgeData V2 gut

BridgeData V2 ist der Nachfolger des ursprünglichen Bridge-Datensatzes (Ebert et al. 2022). Es wurde auf einer expliziten Wette aufgebaut: dass nützliche generalistische Richtlinien besser auf großen realen Datensätzen mit bescheidener individueller Qualität ausgebildet sind als auf kleinen, sauberen Simulator-Datensätzen. Der Datensatz enthält etwa 60.000 Teleoperationsbahnen, die auf einem WidowX 250 Arm in 24 verschiedenen Tischumgebungen (Küchen, Spielzeugszenen, Schublade-Szenen, Waschbecken-Szenen usw.) gesammelt wurden.

Die 13 Fähigkeitskategorien umfassen Pick-and-Place, Pushing, Folding, Flipping, Tool-Use und andere Primitivitäten. Da alle Bahnen die gleiche kostengünstige Hardware teilen, sind der Aktionsraum und die Kamera-Rig konsistent , was BridgeData zu einem der sauberste real Korporen für die Ausbildung von visuomotorischen Politiken mit sprachbedingter Ausführung macht. Es ist zu einer Standardkomponente in Open X-Embodiment-Training-Mix geworden und wird häufig als "Real-World-Anker" verwendet, wenn es mit Simulationsdaten zusammen trainiert wird.

Wofür ist RoboMimic gut

Die Forschungsergebnisse von RoboMimic sind zunächst ein Forschungsrahmen und zweitens ein Datensatz. Das Projekt führte drei Demonstrationssplätze ein, die sich nun in jedem nachfolgenden IL-Papier leihen. **PH (proficient-human) ** enthält saubere Demos von einem einzigen Expertenbetreiber. **MH (multi-human) ** enthält Demos von sechs Betreiber mit unterschiedlichem Qualifikationsniveau die harte Verteilung. **MG (maschinengeneriert) ** enthält Demos, die durch eine RL-Politik ausgeführt werden, die nützlich für die Untersuchung von Lern aus suboptimalen Daten ist.

Diese Splits bestehen für fünf Robosuite-Aufgaben mit zunehmender Schwierigkeit: Lift (trivial), Can (Pick-and-Place mit Posenvariation), Square (Pig-Einsetzung), Transport (bi-manual Handoff) und ToolHang (langhorizon, hochaufrichtigkeit). Die resultierende Benchmark ist der Grund, warum wir ein gemeinsames Vokabular für die Argumentation über BC, BC-RNN, BC-Transformer, IRIS und Diffusion-Politik-Leistung über Demonstrationsregime verfügen.

Abgleichszahlungen im Jahr 2026

**Wenn Sie eine realistische, sprachlich bedingte Politik ausbilden und ein großes, echtes Demonstrationskorpus auf konsistenter Hardware wünschen, wählen Sie BridgeData. BridgeData ist nicht das richtige Werkzeug für kontrollierte Ablationstudien; die langen Spuren der Sammelbedingungen sind in der realen Welt durcheinander.

**Wenn Sie eine strikte, wiederholbare Vergleiche zwischen politischen Architekturen oder Trainingsrezepten wünschen, wählen Sie RoboMimic. Der PH / MH / MG-Split ist immer noch die einfachste Möglichkeit, zu zeigen, dass eine neue Methode heterogene Demo-Konzepte besser behandelt als BC. Es ist auch das richtige Werkzeug, wenn Ihr Rezensierer nach einem Simulator-Benchmark bittet und Sie nicht das Geräusch von realen Varianten wollen.

**Verwenden Sie beide, wenn Sie ein Generalsystem erstellen: Vorübung auf OXE (einschließlich BridgeData), dann laufen Sie RoboMimic als Diagnose für die Abbau Ihrer Politik unter suboptimalem Demo und schließlich Fein-Tuning auf Ziel-Task-Daten.

Hardware und Infrastruktur

BridgeData benötigt einen WidowX 250 oder einen kompatiblen Arm, wenn Sie den Datensatz reproduzieren oder erweitern möchten. WidowX-Arme sind kostengünstig (~ 3K US-Dollar) und verfügbar über unseren [Store] T2), weshalb der Datensatz so reproduzierbar ist. RoboMimic benötigt keine Hardware es läuft vollständig in Robosuite / MuJoCo. Beide können über das [LeRobot] T3) Ökosystem konsumiert werden.

Wenn Sie einen oder anderen Datensatz mit Ihren eigenen Demonstrationen erweitern, können unsere [Teleoperations-Datendienste] T4) das Capture-Protokoll replizieren.

Lizenzrealität

Beide Datensätze sind zugelassen (CC-BY für BridgeData, MIT für RoboMimic). Sie können kommerzielle Richtlinien auf beiden ausbilden, abgeleitete Checkpoints verteilen und Produkte bauen. BridgeData erfordert eine Zuteilung an das Berkeley RAIL-Labor; RoboMimic erfordert eine Zuteilung an die ARISE-Initiative. Überprüfen Sie vor der Versandzeit.

Die Geschichte des PH / MH / MG im Detail

Es lohnt sich, einen Absatz darüber zu schreiben, warum RoboMimic's dreispaltendes Design so einflussreich ist. Vor RoboMimic wurden imitationslernende Papiere typischerweise auf einem einzigen homogenen Demonstrationssatz ausgebildet und berichteten von einer einzigen Erfolgsrate. Das hat Ihnen fast nichts darüber gesagt, wie sich die Methode in der realen Welt verhalten würde, wo Demonstrationen von mehreren Betreibern mit unterschiedlichen Fähigkeitsniveaus und gelegentlich von teilweise ausgebildeten Politiken stammen. PH, MH und MG testen den sauberen Fall, den heterogenen menschlichen Fall und den suboptimalen Fall. Jede moderne Methode des Imitationslernens BC-RNN, BC-Transformer, IRIS, ACT, Diffusion Policy, VINN wurde auf diesen Splits charakterisiert, was bedeutet, dass die Forscher ein Vokabular darüber teilen, wo Methoden erfolgreich sind und wo sie brechen.

BridgeData versucht dies nicht zu tun. Seine Spaltung ist implizit "was auch immer Menschen gesammelt" realistisch, aber keine kontrollierte Studie. Das ist eine Funktion, kein Fehler, aber deshalb können Sie BridgeData nicht in einer Architekturablation durch RoboMimic ersetzen. Die beiden Datensätze leben an verschiedenen Punkten der Qualitäts-vs-Skala-Kurve und beantworten verschiedene Fragen.

Die Grenzen, die man ehrlich überlegen kann

Die Hauptbeschränkung von BridgeData ist, dass WidowX ein 6-DoF-Arm mit einem einfachen Parallelgriffer ist. Richtlinien, die auf BridgeData ausgebildet sind, übertragen schlecht auf 7-DoF-Arme mit leistungsfähigeren Griffern, es sei denn, Sie trainieren den Aktionskopf zurück. Die Videoqualität ist auch bescheiden Standard RGB bei ~ 30 Hz ohne Tiefe.

RoboMimic ist eine begrenzte Funktion, die sich aus dem Sim-to-Real-Lücken ergibt. Richtlinien, die nur auf Robosuite-Demos ausgebildet sind, werden nicht aus der Box in echte Hardware übertragen. RoboMimic wird am besten für Forschungsfragen über das Imitationslernen verwendet, nicht als Vor-Training-Corpus für den Einsatz. Für den Einsatz wollen Sie echte Daten , wo BridgeData und DROID glänzen.

Typische gemeldete Zahlen

Auf RoboMimic erreichen starke Imitations-Lerngrundlagen von 2024 bis 2025 (BC-Transformer, Diffusionspolitik, ACT-Varianten) in der Regel nahezu vollkommenen Erfolg bei Lift und Can PH, 80-95 Prozent bei Square und Transport PH und 40-70 Prozent bei ToolHang PH. Die MH-Split lässt den Erfolg um 10-25 absoluten Punkte im Allgemeinen sinken, und die MG-Split ist dramatisch härter wenige Methoden überschreiten 30 Prozent auf ToolHang MG. Diese Zahlen sind diagnostisch: Sie sagen Ihnen, welchen Fehlermodus Ihre Methode tatsächlich fixiert.

Bei BridgeData sind absolute Zahlen schwerer zu vergleichen, da die Aufgabenverteilung in der realen Welt ist und das Evaluierungsprotokoll je nach Papier variiert. Was wir sagen können, ist, dass Richtlinien, die auf Open X-Embodiment (einschließlich BridgeData) vorgeübt und auf Task-spezifische BridgeData-Untergruppen abgestimmt sind, routinemäßig 50-70 Prozent Erfolg bei in-Distribution-WidowX-Tasks erzielen. Das ist keine Referenzzahl im traditionellen Sinne, aber es ist die Messung, die für die Bereitstellung von Daten zählt.

Mitunterschulrezepte

Ein beliebtes Rezept für 2025-2026 ist BridgeData + RoboMimic Co-Training: BridgeData als Echtwertsanker verwenden, RoboMimic PH für ein sauberes Demonstrationssignal mischen und eine einzige Politik co-train. Dies funktioniert überraschend gut, obwohl die Ausführungsformen unterschiedlich sind die geteilte Manipulationsstruktur überträgt. Wenn Sie eine Forschungspolitik für ein Papier erstellen, ist das Co-Training mit einem kleinen RoboMimic-Mix ein einfacher Weg, um das Training auf lauten echten Daten zu stabilisieren.

Unsere Empfehlung

Für einen modernen Roboter-Lernstack im Jahr 2026 empfehlen wir die Verwendung von RoboMimic als _diagnostic_Benchmark und BridgeData als _training_corpus. Laufen Sie RoboMimic PH/MH/MG aus, um Ihre Methode zu charakterisieren, dann trainieren oder auf BridgeData (plus OXE und Ihre eigenen Daten) für den Einsatz feinen Ton. Wenn Sie mehr Daten benötigen als BridgeData für Ihr spezifisches Szenario bereitstellt, können unsere [Teleoperationspipelines]T5) zusätzliche WidowX- oder Franka-Demos im gleichen Format sammeln, damit sie sich sauber mit Ihrem vorhandenen Trainingsset mischen.

Verwandte Mittel

• [BridgeData V2 Datensatz Seite]
• [RoboMimic Datensatz Seite]
• [LIBERO vs. CALVIN Vergleich]
• [Offener X-Body gegen DROID Vergleich]
• [Beste Roboter-Lerndatenmengen im Jahr 2026]
• [WidowX und Manipulationsarme]
• [Tutorials zum Nachbilden]