桥数据与机器人模拟:操纵数据集的对比
桥数据 V2 与机器人模拟:真实与模拟,轨迹计数,任务套件,语言调节和硬件比较. 选择2026年合适的操纵数据集.
桥数据和罗博米米克几乎出现在每篇模仿学习论文中,但它们都不能交换.BridgeData V2是一个大型的现实数据集,用于扩大各种现实演示. 机器人模拟是对升降,
利
- 现实世界: BridgeData V2
24个环境中的真实WidowX示范. - 模拟: 机器人模拟
机器人模拟任务,具有清洁重置条件和PH/MH/MG分区. - 规模: BridgeData V2 在原始数量中 (~60K轨迹) 较大.
- ** 控制研究:** 机器人模拟获胜
PH/MH/MG分区仍然是研究示范异性的常规方法. - 可访问的硬件: 两者都采用低成本的武器 (WidowX 250用于桥梁;仅用于RoboMimic).
较量表
| 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 |
| 示范 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 |
什么是BridgeData V2好用的
桥数据 V2 是原始的桥数据集的继承者 (Ebert et al. 2022). 它建立在一个明确的投注:有用的通用主义政策在较小,清洁的模拟器数据集上比在适度的个人质量的大数据集上更好地训练. 数据集包含了大约60,000个在WidowX 250手臂上收集的电话操作轨迹,在24个不同的桌面环境中 (厨房,玩具场景,抽
13个技能类别涵盖选取,推,折叠,翻转,工具使用和其他原始性.由于所有轨迹都共享相同的低成本硬件,动作空间和摄像头设备是一致的,这使得BridgeData成为训练语言条件的视觉动机政策最干净的_real_ corpora之一. 它已成为开放X-Embodiment训练混合物的标准组件,并且在与模拟数据进行联合训练时经常被用作"现实世界的
机器人模拟是什么好事
首先,机器人模拟是一个研究框架,而第二是数据集. 它的核心贡献是仔细的实验研究:模拟学习政策的表现如何依赖于示范的质量和异性? 该项目引入了三个示范分区,每一个随后的IL论文都现在借用. **PH (熟练的人) **包含来自单个专业操作员的清洁演示. **MH (多人) **包含来自六个不同技能水平的操作员的演示.
这些分区用于五项越来越困难的Robosuite任务:升降 (微不足道),
2026年交易
**选择 BridgeData,如果你正在训练一个现实语言条件的政策,并希望一个大的实体演示库,在一致的硬件上. 控制式
**如果你想进行政策架构或培训配方之间的严格可重复比较,请选择RoboMimic. PH / MH / MG 分裂仍然是证明一种新方法比BC更好地处理异质演示的最简单的方式.
**如果您正在构建一个通用系统,请使用两者:在OXE上预训练 (包括BridgeData),然后将RoboMimic作为诊断,以查看您的政策在低优质的演示下如何降低,最后对目标任务数据进行细节调整.
硬件和基础设施
为了实现数据集的复制或扩展, BridgeData需要WidowX 250或兼容的手臂. WidowX手臂便宜 (~3K美元) 并可通过我们的 [商店]
如果您正在通过自己的示范扩展数据集,我们的 [远程运营数据服务]
许可证现实
两套数据集均有许可许可证 (BridgeData的CC-BY,MIT的RoboMimic).您可以在任何一个上训练商业政策,分发衍生检查点,并构建产品.BridgeData需要归因于伯克利 RAIL实验室;RoboMimic需要归因于ARISE倡议.在运输之前检查.
详细的PH/MH/MG故事
在RoboMimic之前,模仿学习论文通常在单一的均质示范组上训练,并报告了单一的成功率. 这几乎没有告诉你该方法在现实世界中会如何表现, 那里的示范来自不同技能水平的多个运营商, 每种现代模仿学习方法都是这些分区上特征化,这意味着研究人员分享了关于方法成功和破裂的词汇.
桥数据不试图这样做.它的分化是隐含的"人类收集的任何东西"
诚实的限制
桥数据的主要局限性是,WidowX是一个6DoF手臂,具有简单的平行抓住器.在BridgeData上训练的政策将差地转移到7DoF手臂,除了重新训练动作头,除非更有能力.视频质量也很温和.
罗博米米的局限性是真实与真实之间的差距.纯粹基于Robosuite演示程序训练的政策不会从盒子中转移到真实硬件中.罗博米米米最适用于模仿学习的研究问题,而不是作为部署的预训练.
报告的典型数字
在RoboMimic上,从2024-2025年强大的模仿学习基线 (BC-变压器,扩散政策,ACT变体) 通常在升降和
在 BridgeData上,绝对数量比较较难,因为任务分布是现实世界的,评估协议因纸质而异.我们可以说的是,在Open X-Embodiment (包括 BridgeData) 上预训练的政策和针对特定任务的 BridgeData子组进行细节调整的政策通常在分布式WidowX任务中达到50%至70%. 这不是传统意义上的基准数字,但用于部署的指标是重要的.
联合培训的食谱
2025-2026年,一个受欢迎的食谱是BridgeData + RoboMimic联合训练:使用BridgeData作为现实世界的
我们的建议
2026年进行现代机器人学习堆
相关资源
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , T9 ) - [2026年最好的机器人学习数据集]
- [寡妇X和操纵器手臂]
- [模仿学习教程]