브리지데이터와 로보미믹: 조작 데이터 세트 쇼다운
브리지데이터 V2 vs 로보미믹: 실적 vs 시미, 궤도 계산, 작업 스위트, 언어 컨디션 및 하드웨어 비교. 2026 년에 적합한 조작 데이터 세트를 선택하십시오.
브리지데이터와 로보미믹은 거의 모든 모방 학습 논문에서 등장하지만 교환이 불가능합니다. 브리지데이터 V2는 다양한 실제 디모를 확장하는 것을 목표로 하는 저렴한 WidowX 로봇에 대한 대규모 실제 데이터 세트입니다. 로보미믹은 리프트, 캔, 스퀘어, 교통, 툴하킹 작업에 대한 큐레이션 시뮬레이션 스위트이며, 숙련된 인간, 다인 및 기계 생성 시뮬레이션 품질에 대한 엄격한 질문에 대답하도록 설계되었습니다. 이 가이드는 타협을 명시적으로 만듭니다.
TL;DR
- 현실세계: 브리지데이터 V2
24개의 환경에서 실제 WidowX 시범 - ** 시뮬레이션:** RoboMimic
깨끗한 리셋 조건과 PH/MH/MG 분할을 가진 로봇복지 작업. - ** 규모:** BridgeData V2는 원료 수 (~ 60K 궤도) 에서 훨씬 더 크다.
- ** 통제된 연구:** RoboMimic
PH / MH / MG 분할은 여전히 시범적 이질성을 연구하는 가전적인 방법이다. - ** 접근 가능한 하드웨어:** 둘 다 저렴한 팔에 의존한다 (브리지에 WidowX 250; RoboMimic에 SIM만).
비교 테이블
| 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 |
| 시연 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 |
브리지데이터 V2가 어떤 용도로 사용되는지
브리지데이터 V2는 원래의 브리지 데이터 세트의 후계자 (Ebert et al. 2022). 그것은 명백한 베팅에 기반하여 만들어졌습니다. 유용한 일반주의 정책은 작은, 깨끗한 시뮬레이터 데이터 세트에 비해 소박한 개별 품질의 큰 실제 데이터 세트에 더 잘 훈련됩니다. 데이터 세트는 약 6만 개의 텔레오퍼레이션 궤도를 포함하고 있으며, 24개의 다른 테이블톱 환경 (음식장, 장난감 장면, 드래버 장면, 싱크 스크린 등) 에서 WidowX 250 팔에 수집되었습니다. 각 궤도는 의도된 기술을 설명하는 자연어 레이블을 가지고 있습니다.
13개의 기술 범주에는 픽 앤 플레이스, 푸싱, 폴딩, 핑핑, 툴 사용 등이 포함된다. 모든 궤도는 동일한 저렴한 하드웨어를 공유하기 때문에 액션 공간과 카메라 리그는 일관성이 있습니다. 이는 BridgeData를 언어 조건화된 시각자동정책을 훈련하는 가장 깨끗한 real 코퍼시 중 하나로 만듭니다. 그것은 오픈 X-Embodiment 훈련 혼합물의 표준 구성 요소가 되었고, 시뮬레이션 데이터와 함께 훈련할 때 "실제 세계 아커"로 자주 사용됩니다.
로보미믹이 어떤 데 도움이 되는지
로보미믹은 연구 프레임워크가 우선이고 데이터 세트가 두번째로 있습니다. 그것의 핵심 기여는 신중한 경험적 연구였습니다. 이 프로젝트는 다음 IL 논문마다 빌려온 세 가지 시범 분할을 도입했습니다. **PH (전문인) **는 한 전문가 사업자로부터의 깨끗한 디모를 포함합니다. **MH (다인) **는 다양한 기술 수준과 6 명의 사업자로부터의 디모를 포함합니다.
이 분할은 증가하는 어려움이있는 다섯 개의 로보수이트 작업에 존재합니다: 리프트 (무소한), 캔 (포즈 변동과 함께 선택-위치), 스퀘어 (페그 삽입), 교통 (비매뉴얼 핸드오프), 그리고 툴하그 (장평선, 고정밀). 결과 기준은 BC, BC-RNN, BC-Transformer, IRIS, 그리고 시범제도 간 전파 정책 성과에 대한 추론을 위한 공통된 어휘자리가 있는 이유입니다.
2026년 거래소
** 실제 언어 조건화된 정책을 훈련하고 일관된 하드웨어에 대한 대규모 실제 시범 자료를 원한다면 BridgeData를 선택하십시오. 또한 WidowX 기반 제품이나 파일럿을 만들고 있다면 올바른 출발점입니다. 브리지데이터는 통제된 추출 연구의 적절한 도구가 아닙니다. 수집 조건의 긴 꼬리는 실제 세계에서 혼란스럽습니다.
** 정책 구조나 훈련 레시피 사이의 엄격하고 반복 가능한 비교를 원한다면 RoboMimic을 선택하십시오. PH / MH / MG 분단은 새로운 방법이 BC보다 이질적인 데모를 잘 처리한다는 것을 입증하는 가장 쉬운 방법입니다. 또한 리뷰어가 시뮬레이터 벤치마크를 요청할 때 올바른 도구이며 실제 세계 변이의 소음을 원하지 않습니다.
** 일반주의 시스템을 구축하는 경우 둘 다 사용하십시오: OXE (BridgeData를 포함하는) 에 미리 훈련하고, 로보미믹을 사용하여 정책이 최저의 디모를 통해 어떻게 악화되는지 진단하고, 마지막으로 목표 작업 데이터를 세련합니다.
하드웨어 및 인프라
브리지데이터는 데이터 세트를 재생하거나 확장하려면 WidowX 250 또는 호환 가능한 팔이 필요합니다. WidowX 팔은 저렴한 비용 (~ 3K 달러) 이며, 우리의 [스토어] (
만약 여러분이 데이터 세트를 자신의 시범으로 확장한다면, 우리의 [텔레오퍼레이션 데이터 서비스] (T4
라이선스 실재
두 데이터 세트는 모두 허용된 라이선스 (BridgeData의 CC-BY, RoboMimic의 MIT) 이다. 당신은 둘 다에 상업 정책을 훈련, 파생된 체크포인트 배포, 그리고 제품을 구축 할 수 있습니다. BridgeData는 버클리 RAIL 연구소에 배정해야합니다. RoboMimic는 ARISE 이니셔티브에 배정해야합니다. 배송 전에 확인하십시오.
PH / MH / MG의 자세한 이야기
로보미믹의 삼분분면 디자인이 왜 그렇게 영향력 있는지에 대한 문장을 쓰는 것이 가치가 있습니다. 로보미믹 이전에는 모방 학습 논문들은 일반적으로 단일 균일한 시범시스템에 훈련되어 단일 성공률을 보고했습니다. 실제 세계에서 이 방법이 어떻게 행동할지에 대해서는 거의 아무것도 알려주지 않았습니다. 다양한 기술 수준과 때때로 부분적으로 훈련된 정책의 여러 사업자로부터 시범이 나온 곳이죠. PH, MH, MG는 순차적으로 청정 사례, 이질적인 인간 사례, 그리고 최선상태의 사례를 테스트합니다. 모든 현대 모방 학습 방법
브리지데이터는 이것을 시도하지 않습니다. 이 분할은 간결적으로 "인간이 수집한 모든 것"입니다. 현실적이지만 통제된 연구는 아닙니다. 이것은 버그가 아니라 기능이지만, 그렇기 때문에 건축의 추종에서 브리지데이터를 로보미믹으로 대체할 수 없습니다. 두 데이터 세트는 품질 대 규모 곡선에서 다른 지점에서 살고 다른 질문에 대답합니다.
정직 하게 하는 한계
브리지데이터의 주요 한계는 간단한 병렬 지갑을 가진 6DoF 팔이 WidowX라는 것입니다. 브리지데이터에서 훈련받은 정책은 액션 헤드를 재 훈련하지 않는 한 더 유능한 지갑을 가진 7DoF 팔로 잘 전달되지 않습니다. 비디오 품질은 또한 깊이없이 ~ 30 Hz에서
로보미믹의 한계는 시미트에서 실제까지의 격차입니다. 로보미틱 데모에 의해 훈련된 정책은 실제 하드웨어로 상자 밖으로 전송되지 않습니다. 로보미믹은 배포를 위한 사전 훈련 코퍼시스로서가 아니라 모방 학습에 관한 연구 질문으로 가장 잘 사용됩니다. 배포를 위해 실제 데이터를 원합니다.
통상 보고된 숫자
로보미믹에서, 2024-2025 년 (BC- 트랜스포머, 전파 정책, ACT 변종) 에서 강력한 모방 학습 기본은 일반적으로 리프트 및 캔 PH에서 거의 완벽한 성공을 달성하고, 스퀘어 및 교통 PH에서 80-95% 및 툴하ንግ PH에서 40-70%를 달성합니다. MH 분포는 전체적으로 10~25점의 절대적인 성공률을 떨어뜨리고 MG 분포는 극적으로 더 어렵죠. 툴하ং MG에서는 30%를 넘지 않는 방법은 거의 없습니다. 그 숫자는 진단입니다.
브리지데이터에서는 절대 숫자를 비교하기 어렵기 때문에 작업 분포는 실제 세계이며 평가 프로토콜은 종이 따라 달라집니다. 우리가 할 수 있는 것은 오픈 X-Embodiment (BridgeData를 포함하는) 에서 미리 훈련된 정책과 작업에 대한 세련된 브리지데이터 하위 세트에서 일상적으로 분포 내 WidowX 작업에서 50-70%의 성공을 달성한다는 것입니다. 전통적인 의미에서 기준 번호는 아니지만, 배포에 있어서 중요한 메트릭입니다.
공동 훈련 레시피
2025~2026년 대중적인 레시피는 브리지데이터 + 로보미믹 공동 훈련입니다. 브리지데이터를 실제 세계 안커로 사용하며, 깨끗한 시범 신호를 위해 로보미믹 PH를 혼합하고, 단일 정책을 공동 훈련합니다. 이는 실시예가 다르지만 놀랍게도 잘 작동합니다. 논문에 대한 연구 정책을 구성하는 경우, 작은 RoboMimic 혼합과 함께 공동 훈련은 잡음적인 실제 데이터에 대한 훈련을 안정시키는 쉬운 방법입니다. 그것은 배포에 도움이되지 않지만 기준 숫자를 측정하는 데 도움이 됩니다.
우리의 권고
2026년 현대 로봇 학습 스택을 위해 우리는 RoboMimic를 진단 기준으로, BridgeData를 훈련 대량으로 사용하도록 권장합니다. 당신의 방법을 특징화하기 위해 RoboMimic PH/MH/MG를 실행하고, 배포를 위해 BridgeData (그대 OXE 및 자신의 데이터) 를 훈련하거나 정렬하십시오. 둘은 혼자 사용해서는 안됩니다. BridgeData가 특정 시나리오에 대해 제공하는 것보다 더 많은 데이터가 필요한 경우, 우리의 [텔레오퍼레이션 파이프라인]
관련 자원
- [BridgeData V2 데이터 세트 페이지]
- [로보미믹 데이터 세트 페이지]
- [LIBERO vs. CALVIN 비교]
- [열린 X-Embodyment vs DROID 비교]
- [2026년 최고의 로봇 학습 데이터 집합]
- [비도우X와 조작자 팔]
- [이미테이션 학습 튜토리얼]