当前人形机器人、工业协作机器人正进入技术落地的关键周期，机器人模仿学习、策略优化等算法研发高度依赖高质量的实机操作标注数据，但受限于硬件成本、采集门槛，中小型研究团队往往难以获取足量的标准化训练数据，优质公开数据集已成为机器人学领域的核心公共研发资源。作为全球前沿AI研究领域的核心非营利机构，艾伦人工智能研究所（Allen Institute for AI）长期面向全球研究者开源共享技术成果，覆盖大模型、机器人学、生物AI等多个前沿方向，此次发布的数据集正是其在机器人学习领域的最新公开产出。
Allen Institute for AI本次发布的数据集eval_xvla_test_tube_in-distribution，是面向机器人学领域的专业训练数据集，使用当前主流的开源机器人学习工具栈LeRobot创建，数据兼容性强，可直接适配绝大多数主流机器人模仿学习训练框架，大幅降低研究者的数据适配成本。数据集记录了型号为bi_yam_follower的双臂机器人操作数据，旨在为机器人控制与模仿学习任务提供标准化训练基准。数据内容包含50个完整的任务片段（episodes），总计29544个时间步（帧），覆盖了双臂协作操作的典型动作序列。每个数据点包含机器人的动作指令、状态观测以及多视角视觉观测，可满足多模态视觉-动作融合模型的训练需求。具体而言，动作空间和状态空间均为14维浮点数向量，分别对应左机械臂的6个关节位置和1个夹爪位置，以及右机械臂的对应7个位置，可支撑精细操作控制算法的训练需求。视觉观测包含三个固定视角（右、左、顶）的RGB视频流，每帧图像分辨率为360x640，视频帧率为30fps，可帮助模型学习不同角度的操作特征，提升泛化能力。此外，数据还包含时间戳、帧索引、片段索引等元数据，方便研究者按需拆分、调用数据。数据集以高效存储结构化数据的Parquet文件格式存储控制数据，以通用的MP4格式存储视频，总体结构化数据量约为100MB，视频文件量约为200MB，下载门槛低，适合中小团队快速开展验证实验。该数据集除了可支撑机器人模仿学习、策略学习、行为克隆等基础研究任务外，还可应用于工业双臂装配操作算法训练、人形机器人上肢操作策略开发、多臂协同安全控制算法验证等多个场景，为相关技术的快速迭代提供基准测试数据支撑。
查看eval_xvla_test_tube_in-distribution
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)