没有任何一家机构能靠自己的设备采出「所有本体 × 所有场景」。众包协作采集的思路是把规模问题转化为标准问题:制定统一的数据格式与采集规程,让几十家机构的产出可以聚合成一个数据集。这条路造就了迄今最大的公开操作数据集,也暴露了标准化之外的真实成本。
机制:统一格式 + 统一规程 + 中心质检
- 统一数据格式:开源社区维护的 LeRobot 格式已是社区聚合的事实标准,异构设备的数据落进同一容器。
- 统一采集规程:任务定义、示范流程、元数据字段(设备构型、标定信息、场景描述)模板化,各贡献方照规程执行。
- 中心侧质检:抽检与标准化处理,不合格批次退回或降级。
公开标杆
| 数据集 | 聚合方式 | 规模(官方口径) | 许可 |
|---|---|---|---|
| Open X-Embodiment | 21 家机构、22 种本体聚合 | 百万 trajectories 量级 | Apache-2.0 |
| DROID | 14 家实验室众包(统一感知与控制记录) | 95,658 episodes / 2,763 万 frames | Apache-2.0 |
| RH20T | 高校团队开源(人体手部+机器人双轨记录) | 万级 trajectories 量级 | CC BY-SA / CC BY-NC 双轨 |
| RoboMIND | 国内机构联合体发布 | 107k 示教轨迹(多本体分本统计) | Apache-2.0 |
| LeRobot 社区数据集 | 开源社区持续聚合 | 持续增长 | 逐数据集确认 |
跨本体聚合的价值已被下游研究验证:RT-X 谱系工作表明,多本体混合训练能带来正迁移——一个本体上学到的技能可迁移到未见过的本体。
代价一:质量方差
各贡献方的设备精度、操作员水平、环境控制参差不齐,「统一规程」写在纸面上容易、执行一致性难。成熟聚合项目的经验是中心侧质检 + 分级标记:不是把所有数据压到同一档,而是如实标注可信度,让下游按需取用。
代价二:元数据对齐
异构设备的时间戳、坐标系、标定口径各不相同,聚合前必须完成元数据对齐——这恰是聚合数据集「看起来一个格式、用起来两回事」的常见根源。评估一个聚合数据集时,元数据完整度比 episode 总量更值得关注。
代价三:许可逐方确认
聚合数据集的许可取决于所有贡献方;部分贡献方数据附带 NC(非商用)条款。商用前逐条核对许可链,是这条路线绕不开的功课(详见数据集地图一文)。
对采购方的启示
公开聚合数据集解决「预训练底座」问题,不解决「你的业务分布」问题。跨本体正迁移意味着底座数据值得用,但最终任务分布的缺口,仍要靠按你自己的本体与场景定义的定制采集来补齐。