数据集介绍
Mobile ALOHA 是一个专注于双臂移动操作的真实世界数据集，解决了传统数据集局限于桌面静态操作的问题。该数据通过低成本、全身远程操作系统采集，融合了导航与精细操作，旨在训练能够完成复杂家务（如烹饪、收纳、乘电梯）的机器人。
- 任务时序长度：支持长程任务，涉及移动底座与双臂的协同，单次任务时长通常较长（包含导航+操作序列）。
- 动作可执行性：包含 16 维动作向量（14-DoF 双臂关节 + 2-DoF 移动底座线/角速度），提供全身控制数据。
- 时序连续性：包含约 50 条/任务的真实人类遥操作轨迹，数据中包含了全身状态的同步记录。
- 语言控制：虽然采集时主要依靠遥操作，但任务设定通常配合自然语言目标（如“擦拭洒落的液体”），适合训练语言条件下的模仿学习。
主要特点
- 低成本全身遥操作：搭建成本约 2 万美元（相比传统移动机器人数十万美元），通过将操作者腰部与底座绑定的创新方式，实现了对双臂和底座的同步控制。
- 真实的移动操作场景：数据采集在真实的厨房、办公室等物理环境中进行，任务包括烹饪、橱柜收纳、冲洗锅具、乘电梯等。
- 联合训练（Co-training）策略：提供了将 7 项长程移动任务与原有 825 条静态桌面操作数据联合训练的范式，可大幅提升移动操作的成功率（最高提升 90%）。
- 整机物理交互：数据涉及与环境的强物理交互，如推椅子、开关柜门、烹饪翻斗，对机器人控制器的鲁棒性要求极高。
数据来源
- 采集平台：基于 Mobile ALOHA 硬件平台，它由 Tracer 移动底座和四个 ALOHA 机械臂组成。
- 场景环境：100% 真实场景，包括家庭厨房、餐厅、办公室大堂等实际物理空间。
- 数据形式：真实机器人操作数据，包含 RGB 视觉输入、底盘速度、手臂关节角度等。
规模
- 总演示轨迹：约 350 条真实人类遥操作轨迹（7 项任务，每项 50 条）。
- 联合训练数据：整合825 条静态桌面操作演示数据。
- 场景覆盖：7 类真实家庭 / 商业场景（厨房、餐厅、办公室等）。
应用场景
适合需要“腿”+“手”协同的复杂服务场景：
- 家庭服务：收纳重物、洗锅、与人或家具互动。
- 商业餐饮：烹饪（如炒虾、上菜）、拾取餐具。
- 公共设施操作：呼叫电梯、推动椅子以清理空间。
- 鲁棒性研究：测试算法从桌面操作迁移到移动操作时的泛化能力。
官方网站
- 数据集：https://mobile-aloha.github.io
- 论文：https://arxiv.org/abs/2401.02117
