ブリッジデータ vs ロボミミック:操作データセットのショットダウン
ブリッジデータ V2 vs ロボミミック:リアル vs シム,軌道のカウント,タスク・スーツ,言語コンディショニング,ハードウェアの比較. 2026年に適切な操作データセットを選択します.
ブリッジデータとロボミミックは,模倣学習のほぼすべての論文に掲載されていますが,交換できません.ブリッジデータV2は,多様な実際のデモを拡大することを目的とした低コストのWidowXロボットで,実際のデータセットです. RoboMimicは,リフト,カーン,スクエア,トランスポート,ツールハンに関するキュレーティングシミュレーション・スイートで,熟練した人間,多人,機械生成の示範品質に関する厳格な質問に答えるために設計されています.このガイドは,トレードオフを明示しています.
TL;DR
- リアルワールド: ブリッジデータ V2
24 つの環境でリアル WidowX デモンストレーション - シミュレーション: RoboMimic
清潔なリセット条件とPH/MH/MG分割を持つロボスイートタスク. - スケール: BridgeData V2は原数ではるかに大きい (~60K軌跡).
- 制御研究: ローボミミックが勝利する
PH/MH/MGの分割は,示例の異性化研究の正規方法である. - Hardware: 両方とも低コストの腕を頼りにしています (WidowX 250は Bridge,SIMのみは RoboMimic).
比較表
| 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 |
| デモンストレーション 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 |
BridgeData V2が良いのは何
BridgeData V2は,オリジナルの Bridgeデータセット (Ebert et al. 2022) の後継者である.これは明示的な賭けの上に構築された.有用な一般主義政策は,小さな,きれいなシミュレーターデータセットよりも,適度に個別的な品質を持つ大規模な実世界のデータセットでよりよく訓練されている. データベースには,24の異なるテーブルプレート環境 (キッチン,おもちゃシーン,ドラフトシーン,洗濯台シーンなど) で,WidowX 250腕で収集された約60,000の遠隔操作経路が含まれています.それぞれの経路には意図されたスキルを記述する自然言語のラベルがあります.
13つのスキルカテゴリーはピックアンドプレス,プッシュ,フォールド,フォリップ,ツール使用,その他の原始的なものをカバーしています.すべての軌跡が同じ低コストハードウェアを共有しているため,アクションスペースとカメラリグは一貫しています. オープンX-Embodimentトレーニングミックスでは標準的なコンポーネントとなり,シミュレーションデータとのコートレーニングで"リアルワールドアンカー"として頻繁に使用されています.
ロボミミックは 何のために良いのか
RoboMimic は研究枠組みであり,データセットである.その中心的な貢献は,模倣学習政策の業績が示範の質と異性に依存するという慎重な経験的研究であった. このプロジェクトは,次のIL論文が借用する3つの示範分割を導入しました. **PH (熟練した人間) **は,単一の専門家オペレーターのクリーンデモを含んでいます. **MH (多人) **は,異なるスキルレベルの6人のオペレーターのデモを含んでいます.
これらの分割は,ますます困難になる5つのRobosuite作業のために存在します:リフト (軽い),カーン (ポーズ変数でピックアンドプレイス),スクエア (ペグ挿入),輸送 (双手交付),ツールハング (長視線,高精度). 結論として,BC,BC-RNN,BC-Transformer,IRIS,および示例制度における拡散政策のパフォーマンスの議論のための共通の語彙がある.
2026年の取引
BridgeData を選択する.あなたが現実の世界で言語を条件付けするポリシーを訓練している場合.一貫したハードウェアで大きな実際の示範コルプスを希望している場合.また,WidowXベースの製品またはパイロットを開発している場合でも正しい出発点です. 制御されたアブラレーション研究のための適切なツールではありません 収集条件の長い尾は現実の世界で混乱しています
政策構造やトレーニングレシピの間の厳格で繰り返される比較を望むなら** RoboMimic を選択してください. PH/MH/MG 分割は,新しい方法がBCよりも異性的なデモをうまく処理することを示す最も簡単な方法です.また,レビュー者がシミュレーター基準を求めるときに,リアル世界の差異の騒音を望まない場合も,それは正しいツールです.
一般主義的なシステムを構築している場合 両方を利用します. OXE (BridgeDataを含む) で訓練を前にし,次に目標タスクデータに微 optimum のデモであなたのポリシーがどのように劣化するか診断として RoboMimic を実行し,最後に微調整します.
ハードウェアとインフラストラクチャ
ブリッジデータには,データセットを再生または拡張したい場合は,WidowX 250または互換性のある腕が必要です.WidowX腕は低コスト (~$3K) で,当社の [店舗]
ネットワークのデータ処理は,データ処理の過程で,データ処理の過程を模倣し,データ処理の過程を模倣し,データ処理の過程を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を模倣し,データ処理を行う.
ライセンス現実
両データセットは許可的にライセンスされています (BridgeDataのCC-BY, RoboMimicのMIT).いずれかの商業政策を訓練し,衍生されたチェックポイントを配布し,製品を構築できます.BridgeDataはバークレー RAILラボに属性する必要があります. RoboMimicはARISEイニシアチブに属性が必要です. 送料前にチェックします.
PH/MH/MGの詳細な話
ロボミミックの3つの分割デザインがなぜ影響力を発揮しているかを一段落に書いておく価値があります. ロボミミックの以前,模倣学習論文は通常単一の均質な示範セットで訓練され,単一の成功率を報告していました. PH,MH,MGはクリーンケース,異性的なヒトケース,そしてサブオプティマルのケースをそれぞれテストします. 実験は, 現代の模倣学習方法の全ては BC-RNN, BC-Transformer, IRIS, ACT, Diffusion Policy, VINN
ブリッジデータはこのようにしようとしません.その分割は暗示的に"人間が収集したものはすべて"です リアルな,しかし制御された研究ではありません.それは機能であり,バグではありません.しかし,建築のアブラレーションでは,ブリッジデータとロボミミックを置き換えることはできません.この2つのデータセットは質量対規模曲線の異なる点で生活し,異なる質問に答えます.
誠実 に なる 限界
BridgeDataの主な制限は,WidowXはシンプルな並行グリッパーを持つ6DoF腕である.BridgeDataで訓練されたポリシーは,アクションヘッドを再訓練しない限り,より能力のあるグリッパーを持つ7DoF腕に不調に転送する.ビデオ品質は,深さのない ~30Hzで適度に標準RGBです.
RoboMimicの限界は, simからリアルとのギャップです.Robosuite デモだけで訓練されたポリシーは,箱からリアルハードウェアに転送されません.RobomoMimicは模倣学習に関する研究質問に最もよく用いられるので,展開のためのプレトレーニングコープとして使用されません.展開のために,実際のデータが必要です.BridgeDataとDROIDが輝いている場所です.
典型的な報告された数字
RoboMimicでは2024-2025年の強い模倣学習ベースライン (BC-Transformer,拡散政策,ACT変数) は通常,リフトとカンの PH,スクエアとトランスポート PHで8095%とToolHang PHで4070%でほぼ完璧に成功します. MH分割は成功を10~25点まで減らし MG分割は劇的に難しく ツールハング MGでは30%以上は少ない. これらの数字は診断です.
ブリッジデータでは,絶対数は比較するのが難しい. 課題分布は現実世界であり,評価プロトコルは紙によって異なります. 公開X-Embodiment (BridgeDataを含む) で訓練されたポリシーと,タスク特定のBridgeDataサブセットに細かく調整されたポリシーは,通常,配布中のWidowXタスクで50%から70%の成功を達成しています. 伝統的な意味では基準値ではありませんが 導入に重要な指標です
共同訓練のレシピ
2025-2026年に人気のレシピは,ブリッジデータ+ロボミミック共同訓練です.ブリッジデータを使ってリアルワールドのアンカーとして,クリーンなデモシグナルのためにロボミミックPHを混ぜ,単一のポリシーを共同訓練します.これは実施形態が異なるにもかかわらず,驚くほどうまく機能します. 論文の研究方針を構築している場合,小さなロボミミックミックスで共同訓練は,騒音な実際のデータでのトレーニングを安定させる簡単な方法です. 展開には役立つわけではありませんが,数字を基準に役立ちます.
推奨事項
2026年に現代的なロボット学習スタックでは, _diagnostic_ベンチマークとして RoboMimic と training corpus として BridgeData を使用することをお勧めします.あなたの方法を特徴付けるために RoboMimic PH/MH/MG を実行し,BridgeData (プラス OXE とあなたのデータ) を展開するためにトレーニングまたは細かな調整してください.どちらも単独で使用しないでください. 特定のシナリオのために BridgeDataが提供するデータよりも多くのデータが必要なら,私たちの [テレオペレーションパイプライン]
関連資源
- [BridgeData V2データセットページ]
- [ロボミミックデータセットページ]
- [LIBERO vs CALVIN比較]
- [X-Embodyment vs DROIDの比較]
- [2026年のベストロボット学習データセット]
- [ウィドウXと操縦器の腕]
- [模倣学習チュートリアル]