蜂采 FENGCAI
← 技术文章
TECH NOTES · 数据集指南

公开操作数据集地图:为 VLA 训练选底座

2026-11-11约 8 分钟公开数据集官方口径整理

VLA 与模仿学习的工作大多从公开数据集起步。但公开集之间差异极大:采集路线决定质量形态,规模决定预训练价值,许可决定能不能商用。本文把 20 个常被引用的公开操作数据集按采集路线分组对照,并给出选型清单。

选型五维度

  • 本体匹配度:数据产自哪种本体,与你的部署本体差距多大——差距越大,正迁移越弱。
  • 规模:预训练看总量,微调看任务族密度。
  • 模态完整度:只有影像,还是影像+关节角+末端位姿+触觉俱全;低层控制记录是否保留。
  • 许可:是否允许商用(NC 系不允许)、是否要求相同方式共享(SA 系有传染性)。
  • 质量口径:有无统一采集规程与质检说明;跨贡献方聚合集要查元数据完整度。

真机遥操作系

数据集规模(官方口径)发布主体许可
ALOHA/ACT 任务数据数百 episodes/任务量级斯坦福开源项目配套Apache-2.0
BridgeData V2数万 trajectories 量级(24 环境)高校开源MIT
RH20T万级 trajectories 量级(人体手部+机器人双轨)高校团队开源CC BY-SA / CC BY-NC 双轨
RoboMIND107k 示教轨迹(多本体多场景)国内机构联合体Apache-2.0
UMI 采集数据数千 trajectories 量级(本体无关)斯坦福开源项目MIT
Language-Table数十万轨迹量级(语言条件操作)公开研究项目Apache-2.0

众包聚合系

数据集规模(官方口径)发布主体许可
Open X-Embodiment百万 trajectories 量级(21 机构 22 本体)机构联合体Apache-2.0
DROID95,658 episodes / 2,763 万 frames(14 实验室)实验室联盟Apache-2.0
LeRobot 社区数据集持续增长(社区众采)开源社区聚合逐数据集确认

车队规模化系

数据集规模(官方口径)发布主体许可
AgiBot WorldAlpha 10 万+轨迹/300 小时;Beta 100 万+轨迹/2,976 小时国内头部本体厂商开源CC BY-NC-SA 4.0

仿真合成系

数据集规模(官方口径)发布主体许可
RoboCasa十万 trajectories 量级(家用场景生成)开源生态基准MIT
ManiSkill 2/3按任务可在线生成高校团队开源Apache-2.0
LIBERO按任务族示教轨迹(终身学习基准)高校开源Apache-2.0
BEHAVIOR-1K1 万 episodes / 约 1.19 亿 frames(千种日常活动)高校开源MIT
RoboTwin任务族示教轨迹(双臂协同基准)国内高校联合体MIT
CALVIN按示教轨迹(长程语言条件基准)研究机构联合MIT
MimicGen约 10 条示教扩增数十万轨迹(论文口径)开源工具与数据CC BY-NC-SA 4.0

动捕迁移系与视频学习系

数据集规模(官方口径)发布主体许可
HumanPlus 数据按技能族(动捕批次,全身+操作)斯坦福开源项目未附许可声明
EPIC-KITCHENS百小时级第一人称厨房视频高校联合体CC BY-NC 4.0
RoboNet数十万视频片段量级(15 视角/7 本体)高校开源CC BY 4.0

许可陷阱

  • NC(NonCommercial)不可商用:多个大型数据集带 NC 条款(如 CC BY-NC-SA 系)——研究可用,产品训练需另行授权。
  • SA(ShareAlike)有传染性:CC BY-SA 要求衍生数据以相同方式共享,会约束你自家数据集的许可选择。
  • 「未附许可声明」= 保留所有权利:默认无使用权,用前必须联系发布方。
  • 聚合集逐源核对:整库 Apache-2.0 不代表每个子集都无附加条件。

公开集不等于业务数据

公开数据集回答「底座从哪来」,不回答「你的产线数据从哪来」。分布错配是常态:场景、本体、任务口径都不相同。合理用法是公开集做预训练底座 + 按自有本体与场景定义的定制采集做微调——两层的边界要在项目启动时就写进数据规划。
口径说明:本文为公开行业知识的编辑整理;数据集规模、发布主体与许可为各项目官方/论文口径,收录与转述不构成服务承诺,也不涉及任何第三方服务商的推荐或评价;商用前请以各数据集发布页的最新许可条款为准。
技术文章为公开行业知识的编辑整理,非服务承诺。