Mejores conjuntos de datos de aprendizaje de robots 2026: Guía completa
Los 10 mejores conjuntos de datos de aprendizaje robótico para 2026 clasificados. Open X-Embodiment, DROID, BridgeData, LIBERO, CALVIN, ALOHA y más, con escala, licencia y casos de uso.
La investigación en el aprendizaje de robots en 2026 se ha convergido en un conjunto sorprendentemente pequeño de conjuntos de datos que hacen el 90 por ciento del trabajo útil. Esta guía clasifica los diez mejores conjuntos de datos abiertos para el aprendizaje de imitación, el entrenamiento VLA y el informe de referencia
Las selecciones rápidas
- ** Corpus de entrenamiento:** Cuerpo de X abierto
- Mundo real de la música: DROID
- Mundo real de bajo costo: BridgeData V2
- VLA eval: LIBERO
- Lenguaje de largo horizonte: CALVIN
- Estudio controlado de IL: RoboMimic
- Divulso de mano: ALOHA
Cómo los clasificamos
Consideramos cinco factores: escala (conteo de trayectoria y cuenta de horas), calidad (consistencia de sensores, estabilidad de la plataforma de cámara, limpieza del espacio de acción), licencia (amistad comercial), apoyo del ecosistema (disponibilidad en LeRobot, HuggingFace, guiones oficiales de evaluación, puntos de control preentrenados) y relevancia de la investigación (conteo de citas en los trabajos de aprendizaje de robots 2025-2026). Ningún conjunto de datos único gana en los cinco ejes, por lo que el ranking es sesgado hacia conjuntos de datos que son realmente útiles en una producción o publicación pipeline hoy.
1. Abre el cuerpo X
Por qué ocupa el primer lugar: OXE es el mayor corpus de manipulación abierta existente (1M+ episodios en 22 realizaciones) y es el sustrato de preentrenamiento para RT-1-X, RT-2-X, OpenVLA, Octo y pi0. Si desea una política generalista, desea OXE como su prioridad inicial. La licencia es por componente; la mayoría son CC-BY-4.0 o Apache-2.0. Buce en profundidad en nuestra página de [Open X-Embodiment]
2. DROID
Por qué ocupa el segundo lugar: DROID es el conjunto de datos del mundo real más limpio disponible. 76K trayectorias, 564 escenas, una sola realización de Franka Panda, un equipo de cámara ZED 2 consistente, MIT + CC-BY-4.0. Si tienes un presupuesto de ajuste fino, gastalo aquí.
3. BridgeData V2
Por qué ocupa el tercer lugar: BridgeData V2 es el conjunto de datos más accesible del mundo real
4. LIBERO
Por qué ocupa el cuarto lugar: LIBERO se ha convertido en la suite de evaluación de VLA de facto. Cuatro suites de tareas, aproximadamente 130 tareas, 6500 demostraciones, simulación de Robosuite. Si está publicando un documento de arquitectura de políticas en 2026, se le pedirá números LIBERO. Licencia MIT. Ver nuestra LIBERO Dataset página y LIBERO vs CALVIN comparación.
5. CALVIN
Por qué ocupa el quinto lugar: CALVIN es el único indicador de referencia ampliamente adoptado que prueba instrucciones de lenguaje en cadena de horizonte largo (hasta 5 por implementación) con divisiones limpias de entorno A/B/C/D. 24 horas de datos teleópicos. Todavía no está saturado en 2026, lo que le dice algo sobre lo difícil que es realmente la tarea en cadena. Licencia MIT. Ver la página de referencia de CALVIN]
6. RoboMimic
Por qué ocupa el sexto lugar: Las divisiones de calidad de demostración PH / MH / MG de RoboMimic siguen siendo el estándar de oro para estudiar la robustez de aprendizaje por imitación. Cinco tareas de Robosuite de mayor dificultad. No es un conjunto de datos de implementación, sino un diagnóstico indispensable. Licencia MIT. Ver la página del conjunto de datos de RoboMimic](
7. ALOHA
Por qué ocupa el séptimo lugar: ALOHA fue pionera en la teleoperación bimanual de bajo costo y sigue siendo la plataforma predeterminada para la investigación de manipulación dexterosa de granos finos. Los conjuntos de datos oficiales de ALOHA más las extensiones de ALOHA móvil siguen impulsando el trabajo bimanual de VLA. Apache / MIT. Ver la página del conjunto de datos de ALOHA [
8. RoboNet
Por qué ocupa el octavo lugar: Los 15M de fotogramas de video de RoboNet en 7 plataformas robóticas lo convirtieron en el conjunto de datos de encarnación cruzada original.
9. MimicGen
Por qué ocupa el noveno lugar: MimicGen es menos un conjunto de datos que un sistema de generación de datos: sintetiza 50K+ demostraciones de ~ 200 semillas humanas. Las conjuntas de tareas simuladas son útiles para la investigación de imitación-aprendizaje, y la propia pipeline de MimicGen se está convirtiendo en estándar para aumentar la colección del mundo real. Apache-2.0. Ver la página de MimicGen.
10. El Hub LeRobot
Por qué ocupa el décimo puesto: LeRobot no es un conjunto de datos único sino una capa de distribución
Tabla de resumen
| Rank | Dataset | Domain | Scale | Best for | License |
|---|---|---|---|---|---|
| 1 | Open X-Embodiment | Real (mixed) | 1M+ episodes | Pretraining | Per-component |
| 2 | DROID | Real (Franka) | ~76K trajs | Real fine-tune | MIT / CC-BY |
| 3 | BridgeData V2 | Real (WidowX) | ~60K trajs | Low-cost real | CC-BY-4.0 |
| 4 | LIBERO | Sim (Robosuite) | ~130 tasks | VLA eval | MIT |
| 5 | CALVIN | Sim (PyBullet) | 24 hrs teleop | Long-horizon | MIT |
| 6 | RoboMimic | Sim | 5 tasks, PH/MH/MG | IL study | MIT |
| 7 | ALOHA | Real (bimanual) | Task-specific | Dexterous | MIT / Apache |
| 8 | RoboNet | Real (mixed) | 15M frames | Video / transfer | MIT |
| 9 | MimicGen | Sim | 50K+ synth | Data augmentation | Apache-2.0 |
| 10 | LeRobot Hub | Distribution | Hundreds of datasets | Tooling | Apache-2.0 |
La receta moderna de entrenamiento
En 2026, la receta modal para construir una política de manipulación desplegable es de tres etapas. La primera etapa: pre-entrenamiento (o inicio desde un puesto de control pre-entrenado) Open X-Embodiment. La segunda etapa: medio-entrenamiento en DROID o BridgeData para anclar distribuciones de acción en el mundo real. La tercera etapa: ajuste fino de los datos de teleoperación específicos de tareas recopilados en el hardware objetivo. Cada etapa reduce el error de generalización y especializa aún más la política.
Los puntos de referencia encajan en esta receta como diagnostics. LIBERO y CALVIN le dicen si su política de etapa uno + etapa dos se generaliza antes de gastar dinero de recaudación en la tercera etapa. RoboMimic PH/MH/MG le dice si su política es robusta para demostrar la heterogeneidad. Ninguno de estos puntos de referencia son proxies de producción
Lo que cambió entre 2024 y 2026
Tres cosas remodelaron el panorama del conjunto de datos. Primero, Open X-Embodiment pasó de un "experimento interesante" a un "corpus de preentrenamiento inevitable" una vez que los puestos de control RT-X y OpenVLA se hicieron públicos. En segundo lugar, DROID madurado de una liberación de un conjunto de datos en un estándar
Los conjuntos de datos que perdieron terreno fueron los benchmarks simulados de tarea única más antiguos (Meta-World, FrankaKitchen). En el mundo real, ALOHA se mantuvo firme porque los datos bimanual siguen siendo escasos y valiosos.
Datasets que no incluimos (y por qué)
Consideramos ARIO, RH20T, datos AutoRT y extensiones ALOHA móviles. Todas prometedoras pero demasiado nuevas, demasiado estrechas o demasiado vinculadas al hardware de un solo laboratorio para ser una recomendación segura para el uso general en 2026. También consideramos la tabla de lenguaje (Google) y Meta-World; son bien conocidas pero tienen un uso marginal decreciente en la era OXE + DROID. Si su pregunta de investigación se beneficia específicamente de uno de estos, use
Cómo recopilar sus propios datos complementarios
Cada equipo de robótica de producción necesita datos de teleoperación específicos de tareas que los conjuntos de datos abiertos no pueden proporcionar. Aquí es donde encaja el Centro de Robótica de Silicon Valley. Nuestros [servicios de datos]
Si desea construir la capacidad de recopilación en casa, nuestra tienda (T15
Preguntas frecuentes
¿Con qué conjunto de datos de aprendizaje de robots debería comenzar en 2026?
Comience desde un punto de control pre-entrenado de Open X-Embodiment (OpenVLA o pi0) y ajuste a DROID. Informar los números LIBERO y CALVIN. Si solo puede usar un conjunto de datos del mundo real, DROID es el más limpio.
¿Es el Open X-Embodiment libre para uso comercial?
OXE es un registro de conjuntos de datos de componentes con licencias por componente. La mayoría de los componentes son CC-BY-4.0 o Apache-2.0, pero algunos son solo de investigación.
¿Cuál es la diferencia entre LIBERO y CALVIN?
LIBERO es un punto de referencia de aprendizaje permanente en Robosuite con cuatro conjuntos de tareas discretas; es el estándar predeterminado para la evaluación de VLA. CALVIN es un punto de referencia de horizonte largo con cuatro entornos y cadenas de cinco instrucciones; es el estándar de oro para las pruebas de composición.
¿Cuánta computación necesito?
El entrenamiento previo completo de OXE en escala OpenVLA utilizó aproximadamente 64 A100 durante dos semanas.
¿Puedo recopilar mi propio conjunto de datos de robots?
Sí. Los conjuntos de datos abiertos son mejores como corpora de preentrenamiento; para su implementación necesita datos específicos de tareas en su hardware objetivo.
Recursos relacionados
- [LIBERO vs. CALVIN comparación]
- [Abrir el cuerpo X vs DROID]
- [BridgeData vs RoboMimic]
- [Todos los conjuntos de datos catálogo]
- [VLA y modelos de política]
- [Centro de referencia]
- [Informe de investigación]
- [Academia de Robótica]
- [Tienda de hardware de robots]