BridgeData vs RoboMimic: Manipulamiento de Datos de conjunto
BridgeData V2 vs RoboMimic: real vs sim, recuentos de trayectorias, conjuntos de tareas, acondicionamiento de lenguaje y hardware comparados. Elija el conjunto de datos de manipulación correcto para 2026.
BridgeData y RoboMimic aparecen en casi todos los artículos de imitación, pero no son intercambiables. BridgeData V2 es un gran conjunto de datos del mundo real en un robot WidowX de bajo costo, destinado a ampliar diversas demostraciones reales. RoboMimic es una suite de simulaciones curadas sobre tareas de elevación, lata, plaza, transporte y ToolHang, diseñada para responder preguntas rigurosas sobre la calidad de la demostración experta: humana, multihumana y generada por máquina.
TL;DR
- Mundo real: BridgeData V2
demostraciones reales de WidowX en 24 entornos. - ** Simulación:** RoboMimic
Robosuite tareas con condiciones de restablecimiento limpias y PH / MH / MG divisiones. - Escala: BridgeData V2 es mucho mayor en el conteo bruto (~ 60K trayectorias).
- Estudio controlado: RoboMimic gana
su división PH / MH / MG sigue siendo la forma canónica de estudiar la heterogeneidad de la demostración. - Hardware accesible: Ambos dependen de brazos de bajo costo (WidowX 250 para Bridge; solo para sim para RoboMimic).
Tabla de comparación
| 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 |
| Demostración 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 |
Para qué es bueno BridgeData V2
BridgeData V2 es el sucesor del conjunto de datos Bridge original (Ebert et al. 2022). Fue construido sobre una apuesta explícita: que las políticas generalistas útiles se entrenan mejor en grandes conjuntos de datos del mundo real con una calidad individual modesta que en conjuntos de datos de simulador pequeños y limpios. El conjunto de datos contiene aproximadamente 60.000 trayectorias de teleoperatoria recogidas en un brazo WidowX 250 en 24 entornos de mesa distintos (cocinas, escenas de juguetes, escenas de cajón, escenas de fregadero, etc.).
Las 13 categorías de habilidades abarcan el pick-and-place, empujar, doblar, voltear, usar herramientas y otras primitivas. Debido a que todas las trayectorias comparten el mismo hardware de bajo costo, el espacio de acción y la plataforma de cámara son consistentes. Se ha convertido en un componente estándar en las mezclas de entrenamiento de Open X-Embodiment, y se utiliza con frecuencia como el "anclaje del mundo real" cuando se co-entrenan con datos de simulación.
Para qué es bueno RoboMimic
RoboMimic es un marco de investigación en primer lugar y un conjunto de datos en segundo lugar. El proyecto introdujo tres divisiones de demostración que cada documento IL posterior ahora toma prestado. **PH (proficient-human) ** contiene demos limpios de un solo operador experto. **MH (multihumano) ** contiene demos de seis operadores con diferentes niveles de habilidad
Estas divisiones existen para cinco tareas Robosuite de mayor dificultad: Elevación (trivial), Can (pick-and-place con variación de posición), Cuadrado (inserción de peg), Transporte (transmisión bimanual) y ToolHang (horizón largo, alta precisión). El punto de referencia resultante es la razón por la que tenemos un vocabulario compartido para razonar sobre BC, BC-RNN, BC-Transformer, IRIS y el rendimiento de la política de difusión en los regímenes de demostración.
Compromiso en 2026
**Elegir BridgeData si está entrenando una política de lenguaje en el mundo real y desea un gran corpus de demostración real sobre un hardware consistente. BridgeData no es la herramienta adecuada para estudios de ablación controlada; la larga cola de las condiciones de recogida es un desastre en el mundo real.
**Elegir RoboMimic si usted quiere rigurosas, comparaciones repetibles entre arquitecturas de políticas o recetas de capacitación. La división PH / MH / MG es todavía la forma más fácil de demostrar que un nuevo método maneja demos heterogéneos mejor que BC. También es la herramienta adecuada cuando su revisor le pide un punto de referencia de simulador y no desea el ruido de la variación del mundo real.
Use ambos si está construyendo un sistema generalista: prepare en OXE (que incluye BridgeData), luego ejecute RoboMimic como un diagnóstico de cómo su política se degrada bajo demos subóptimos, y finalmente ajuste a la finalidad de los datos de tareas objetivo.
Hardware y infraestructura
BridgeData requiere un WidowX 250 o un brazo compatible si desea reproducir o ampliar el conjunto de datos. Los brazos WidowX son de bajo costo (~ $ 3K) y están disponibles a través de nuestra [tienda]
Si está ampliando cualquiera de los conjuntos de datos con sus propias demostraciones, nuestros [servicios de datos de teleoperación]
Realidad de la licencia
Los dos conjuntos de datos están autorizados (CC-BY para BridgeData, MIT para RoboMimic). Puede entrenar políticas comerciales en cualquiera de ellos, distribuir puntos de control derivados y construir productos. BridgeData requiere atribución al laboratorio de Berkeley RAIL; RoboMimic requiere atribución a la Iniciativa ARISE.
La historia de PH / MH / MG en detalle
Antes de RoboMimic, los trabajos de imitación-aprendizaje típicamente se entrenaron en un solo conjunto de demostración homogénea y informaron una tasa de éxito única. Eso no te dijo casi nada sobre cómo se comportaría el método en el mundo real, donde las demostraciones vienen de múltiples operadores con diferentes niveles de habilidad y ocasionalmente de políticas parcialmente entrenadas. PH, MH y MG prueban el caso limpio, el caso humano heterogéneo y el caso subóptimo respectivamente. Cada método moderno de imitación de aprendizaje
BridgeData no intenta hacer esto. Su división es implícitamente "lo que los humanos recopilen"
Las limitaciones de ser honesto
La principal limitación de BridgeData es que WidowX es un brazo de 6 DoF con un simple agarre paralelo. Las políticas entrenadas en BridgeData transfieren mal a los brazos de 7 DoF con agarres más capaces a menos que entrenes la cabeza de acción. La calidad del video también es modesta
La limitación de RoboMimic es la brecha entre sim y real. Las políticas entrenadas puramente en demostraciones de Robosuite no se transfieren de la caja al hardware real. RoboMimic se utiliza mejor para preguntas de investigación sobre aprendizaje de imitación, no como un cuerpo de preentrenamiento para la implementación. Para la implementación, se quieren datos reales
Números típicos reportados
En RoboMimic, fuertes líneas de base de imitación de aprendizaje de 2024 a 2025 (BC-Transformer, política de difusión, variantes ACT) generalmente logran un éxito casi perfecto en Lift y Can PH, 80-95 por ciento en Square y Transport PH, y 40-70 por ciento en ToolHang PH. La división MH disminuye el éxito en 10-25 puntos absolutos en todo el panel, y la división MG es dramáticamente más difícil
En BridgeData, los números absolutos son más difíciles de comparar porque la distribución de tareas es real y el protocolo de evaluación varía según el papel. Lo que podemos decir es que las políticas preentrenadas en Open X-Embodiment (que incluye BridgeData) y ajustadas en subconjuntos específicos de tareas de BridgeData alcanzan rutinariamente el 50-70 por ciento de éxito en las tareas de WidowX en distribución. Este no es un número de referencia en el sentido tradicional, pero es la métrica que importa para el despliegue.
Recetas de formación conjunta
Una receta popular en 2025-2026 es el entrenamiento conjunto BridgeData + RoboMimic: utilizar BridgeData como el anclaje del mundo real, mezclar en RoboMimic PH para una señal de demostración limpia y entrenar una sola política. Esto funciona sorprendentemente bien, a pesar de que las realizaciones difieren
Nuestra recomendación
Para una pila moderna de aprendizaje robótico en 2026, recomendamos usar RoboMimic como un punto de referencia diagnostic y BridgeData como un corpus training. ejecutar RoboMimic PH/MH/MG para caracterizar su método, luego entrenar o ajustar a BridgeData (más OXE y sus propios datos) para su implementación. Ninguno de los dos debe usarse solo. Si necesita más datos de los que BridgeData proporciona para su escenario específico, nuestros [teleoperation pipelines]
Recursos relacionados
- [BridgeData V2 página del conjunto de datos]
- [Página del conjunto de datos de RoboMimic]
- [LIBERO vs. CALVIN comparación]
- [Comparación abierta de X-embodiment vs DROID]
- [Mejores conjuntos de datos de aprendizaje de robots en 2026]
- [WidowX y los brazos manipuladores]
- [Tutoriales de aprendizaje por imitación]