# DROID开源7.6万条跨洲机器人操作数据集提升策略泛化

> 原文链接：https://robotics.hellobike.com/papers/2024-03-19-2403-12945-555ea7c2
> 频道：papers | 更新日期：2024-03-19 | 标签：auto, arxiv, cs.RO, landmark
> 核心摘要：DROID数据集发布7.6万条演示轨迹与350小时交互数据，覆盖亚欧美564场景84任务。验证表明该数据显著提升操作策略性能与泛化能力，全套数据、训练代码及硬件复现指南已开源。

# DROID开源7.6万条跨洲机器人操作数据集提升策略泛化

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset](https://arxiv.org/abs/2403.12945)（arXiv 2403.12945）

## 核心内容

针对现有机器人操作策略因数据采集环境单一导致泛化受限的痛点，研究团队发布DROID分布式机器人交互数据集。该数据集由50名采集人员历时12个月在北美、亚洲及欧洲完成，包含7.6万条演示轨迹和350小时交互数据，覆盖564个真实场景与84种任务，是目前规模最大的跨地域In-The-Wild操作数据集之一。

实验证实基于DROID训练的策略在性能指标与跨场景泛化能力上均优于传统小范围数据集。为降低复现门槛，团队完整开源了数据集本体、策略学习代码库以及详细的机器人硬件搭建指南，解决了多样化数据采集中的物流与安全难题，为具身智能算法研究提供了标准化的大规模真机数据基准与工程参考。

## 关键看点

- **数据规模**：包含7.6万条演示轨迹与350小时交互数据，由50人历时12个月采集
- **场景覆盖**：横跨亚欧美三大洲，涵盖564个真实物理场景与84种操作任务
- **泛化验证**：实测证明使用该数据集训练可显著提升策略性能与跨环境泛化能力
- **开源资产**：全量开放数据集、策略学习代码及机器人硬件复现指南

## 工程与产业观察

DROID通过跨洲分布式采集破解了具身操作数据长尾分布难题，其开源的硬件复现指南与全量数据为行业建立了In-The-Wild数据采集的工程范式。对于算法工程师，该数据集是验证Sim-to-Real迁移与通用操作大模型泛化边界的关键基准；对产业界而言，其标准化采集流程为构建高质量真机数据资产提供了可复制路径。

## 英文摘要 (Abstract)

The creation of large, diverse, high-quality robot manipulation datasets is an important stepping stone on the path toward more capable and robust robotic manipulation policies. However, creating such datasets is challenging: collecting robot manipulation data in diverse environments poses logistical and safety challenges and requires substantial investments in hardware and human labour. As a result, even the most general robot manipulation policies today are mostly trained on data collected in a small number of environments with limited scene and task diversity. In this work, we introduce DROID (Distributed Robot Interaction Dataset), a diverse robot manipulation dataset with 76k demonstration trajectories or 350 hours of interaction data, collected across 564 scenes and 84 tasks by 50 data collectors in North America, Asia, and Europe over the course of 12 months. We demonstrate that training with DROID leads to policies with higher performance and improved generalization ability. We open source the full dataset, policy learning code, and a detailed guide for reproducing our robot hardware setup.

作者：Alexander Khazatsky, Karl Pertsch, Suraj Nair, Ashwin Balakrishna, Sudeep Dasari, Siddharth Karamcheti, Soroush Nasiriany, Mohan Kumar Srirama, Lawrence Yunliang Chen, Kirsty Ellis, Peter David Fagan,…
:::

## 原始参考来源 (Sources)

- [arXiv 2403.12945：DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset](https://arxiv.org/abs/2403.12945)