数据集介绍
ARIO 是鹏城实验室多智能体与具身智能研究所、南方科技大学、中山大学联合发布的新标准与统一数据集，旨在为通用、多功能的具身智能体提供大规模、标准化的训练数据。该数据集的核心创新在于定义了统一的数据格式与标准，以兼容不同机器人平台、不同帧率、不同模态的数据，真正实现“All Robots In One”。
- 任务时序长度：不定，涵盖从简单单步操作到复杂长程任务的完整范围
- 动作可执行性：提供统一格式记录的不同机器人低级控制参数，可直接用于策略学习与真机部署
- 时序连续性：是，数据包含精确时间戳对齐的多模态序列，确保视觉、力觉、听觉、触觉等信息在时间上严格同步
- 语言控制：是，数据集包含文本模态，支持语言条件的策略训练与任务描述
主要特点
- 统一数据标准：定义了兼容多机器人、多帧率的统一数据格式，解决了不同平台之间的异构性问题，是当前开源数据集中标准化程度最高的之一。
- 超大规模：总计超过 300 万条演示轨迹，涵盖 32 万+ 个任务，258 种场景，规模在同类数据集中处于领先地位。
- 三源融合：数据来源于三大渠道：
- 真实采集：使用 Cobot Magic、Songling、Dataa Cloud Ginger XR-1 等多款真机平台采集
- 仿真生成：基于 MuJoCo、Habitat、Isaac Sim 等仿真引擎生成
- 现有数据整合：转换整合 Open X-Embodiment、RH20T、ManiWAV 等开源数据集
- 多模态丰富：数据包含2D 图像、3D 点云、声音、文本、触觉等多种模态信息，是少数同时包含触觉与听觉的大规模数据集。
- 跨本体多样性：通过统一格式整合了多种机器人平台的数据，支持跨本体的策略学习与泛化研究。
- 灵活的开源协议：自采数据与自研仿真数据采用 CC-BY 4.0 或 MIT 协议，整合数据遵循原项目的许可协议。
数据来源
- 发布方：鹏城实验室多智能体与具身智能研究所、南方科技大学、中山大学
- 数据形式：真实采集 + 仿真生成 + 现有数据整合（三源融合）
- 自采平台：Cobot Magic、Songling Cobot Magic、Dataa Cloud Ginger XR-1 等
- 仿真平台：MuJoCo、Habitat、Isaac Sim、SeaWave
- 整合数据集：Open X-Embodiment、RH20T、ManiWAV 等
- 数据托管：OpenI 启智社区（https://openi.pcl.ac.cn/ARIO/ARIO_Dataset）
规模
- 演示轨迹总数：超过 3,000,000 条（303 万+）
- 任务数量：321,064 个
- 场景数量：258 种
- 整合数据来源：
- Open X-Embodiment：约 8 万 episodes
- RH20T：约 3 万 episodes
- ManiWAV：1,297 episodes（含声音数据）
- HM3D 物体导航：664,241 episodes
- 仿真数据（UR5 系列）：多任务 × 50 episodes × 多配置
- 自采真实数据：PCL_CollectInReal (2,414 episodes)、Songling (70 episodes)、SeaWave (800 episodes) 等
- 数据模态：2D 图像、3D 点云、声音、文本、触觉
- 数据格式：统一标准格式，精确时间戳对齐
应用场景
- 通用具身策略学习：利用统一格式数据训练跨本体、跨任务的通用模型
- 多模态感知融合：融合视觉、触觉、听觉、力觉的复杂操作任务
- 仿真到真实迁移：利用仿真子集与真实子集组合，研究 Sim2Real 迁移
- 模仿学习与行为克隆：利用大规模演示轨迹训练策略模型
- 跨数据集基准测试：基于统一格式，方便在不同数据集上公平比较算法性能
官方网址
