遇见数据集

icil-competition-pools

收藏
Hugging Face2026-09-08 更新2026-09-09 收录
官方服务:

资源简介:

该数据集是RoboTensor一次示范上下文模仿学习竞赛(ICIL)的评估池。池是通过内容寻址的任务、初始状态和示范集合,每个池由整个清单的哈希值唯一标识(pool_id),并固定在验证器的spec.json中,以确保比赛的可重复性。当前版本为2026.09-v2,包含98个任务和730个示范。任务分为两类技能:pick_and_place(拾取和放置)和draw_anything(任意绘制)。其中pick_and_place技能涵盖27个LIBERO基础任务和21个LIBERO-Gen对象交换变体,包含多种变体(级别、专业交换、专业姿态、桌面、光照等)以及空间、环境、对象等扰动类型;draw_anything技能包含50个人工绘制的DrawAnything-Sim评估任务,带有旋转扰动。数据文件包括:pool.json(清单)、bddl目录(LIBERO BDDL文件)、init目录(初始状态npz)、demos目录(示范npz,包含LIBERO相机、本体感知和动作数据,或绘图板的帧、笔状态、动作和绘制的笔画)。该数据集适用于上下文模仿学习、机器人技能评估和基准测试。许可证为MIT,部分数据基于CC-BY-4.0。

This dataset is an evaluation pool for the RoboTensor In-Context Imitation Learning (ICIL) competition. The pool is content-addressed by tasks, initial states, and demonstration collections. Each pool is uniquely identified by a hash of the entire manifest (pool_id), which is fixed in the validators spec.json to ensure reproducibility of the competition. The current version is 2026.09-v2, containing 98 tasks and 730 demonstrations. Tasks are divided into two skill categories: pick_and_place and draw_anything. The pick_and_place skill covers 27 LIBERO base tasks and 21 LIBERO-Gen object swap variants, including various variants (level, expert swap, expert pose, tabletop, lighting, etc.) and perturbation types such as spatial, environmental, and object variations. The draw_anything skill includes 50 manually-drawn DrawAnything-Sim evaluation tasks with rotational perturbations. Data files include: pool.json (manifest), bddl directory (LIBERO BDDL files), init directory (initial state npz), demos directory (demonstration npz containing LIBERO camera, proprioception, and action data, or drawing board frames, pen states, actions, and drawn strokes). This dataset is suitable for in-context imitation learning, robot skill evaluation, and benchmarking. License: MIT, with some data under CC-BY-4.0.

创建时间:
2026-09-07
原始信息汇总

数据集概述:ICIL Competition Pools

该数据集是 RoboTensor 单演示情境模仿学习竞赛 的官方评测池(Evaluation pools)。每个“池”是任务、初始状态和演示的集合,其 ID 通过对整个清单内容进行哈希生成,并固定于验证器的 spec.json 中,确保对战的公开 pool_id 能精确对应实际运行的数据。

主要内容与结构

数据集当前提供 pools/2026.09-v2 版本,包含 98 个任务和 730 个演示,按工件类型以目录形式组织:

  • pool.json:清单文件,定义了任务、变体、各技能资格及 pool_id
  • bddl/<group>/:LIBERO 的 BDDL 文件(包括原始、LIBERO-PRO 交换、表格交换重写版本)。
  • init/<group>/:LIBERO 初始状态(NPZ 格式)。
  • demos/<task>/:演示数据(NPZ 格式),包含 LIBERO 相机数据、本体感觉和动作,或绘图板的帧、笔状态、动作及绘制的笔画。

技能与任务分布

技能 任务来源 变体数量 每个扰动下的合格任务数
pick_and_place 27 个 LIBERO 基础任务 + 21 个 LIBERO-Gen 物体交换任务 level 135、pro_swap 27、pro_pose 27、table 50、lighting 27 空间 188、环境 77、物体 21
draw_anything 50 个人类手绘任务(DrawAnything-Sim eval_handmade 旋转 50
  • 拾取与放置任务范围:遵循 Behavior Prompting 论文定义,仅包括抓取和放置两个阶段,排除了抽屉、炉灶、推动和链式任务。
  • 绘图任务:不设置单独初始状态文件,棋盘角度和笔的初始位置由任务 ID 和实例索引推导,从而可仅凭公开记录复现。

使用方式

提供命令行工具进行拉取和验证:

bash icilval pools pull --dest ./pools --version 2026.09-v2 icilval pools verify ./pools/2026.09-v2

数据来源与许可

  • 构建来源:基于多个公开数据集构建,包括 LIBERO-datasets、LIBERO-Pro、libero_gen_goal_chain_hdf5、libero_gen_spatial_combination_hdf5 和 drawanything_sim。
  • 组织者生成的任务(如未出现过的物体配对和程序化绘图)不会作为训练数据公开。
  • 许可:整体采用 MIT 许可(遵循 Behavior Prompting Policy 和 LIBERO),其中 LIBERO-PRO 数据为 CC-BY-4.0。
搜集汇总
数据集介绍
icil-competition-pools 数据集图片
构建方式
面向机器人模仿学习中的上下文学习评测需求,该数据集以内容寻址方式构建评估池,将任务、初始状态与演示数据组织为哈希锁定的统一清单。其数据源自LIBERO-datasets、LIBERO-Pro、libero_gen系列及drawanything_sim等公开资源,经整合与改写生成抓取放置和绘画两类技能单元;pool_id由完整清单哈希生成并固定于验证器spec.json中,确保每次对决均可追溯至精确的数据版本。
特点
该数据集以技能分层与扰动泛化能力为核心特征,涵盖抓取放置与绘画两大任务族,包含LIBERO基础、物体交换、位姿与桌面变体等多种形式,并按空间、环境、物体等扰动维度标注可用样本。绘画任务省略初始状态文件,棋盘角度与画笔起点由任务标识和实例索引确定性导出,因而仅凭公开记录即可完整复现,兼顾评测严谨性与可复现性。
使用方法
使用该数据集时,可借助icilval命令行工具从远端拉取指定版本至本地目录,并通过校验命令验证pool_id与清单一致性,从而确保评测数据未被篡改。验证通过后,依据pool.json中任务、变体与逐技能资格信息构建对决单元,调用bddl、init与demos目录下的定义、初始状态与演示数据开展上下文模仿学习评测,并仅将主办方生成的留出任务用于评估。
背景与挑战
背景概述
随着具身智能与机器人操作研究的深入,单次演示下的上下文模仿学习成为突破数据瓶颈的关键方向。为系统评估该范式,RoboTensor于2026年构建了ICIL竞赛评估池数据集,其核心研究问题在于统一、可复现地衡量机器人在仅给定一次演示时对新任务的泛化能力。该数据集由RoboTensor团队主导,基于LIBERO、LIBERO-PRO、LIBERO-Gen及DrawAnything-Sim等公开资源整合而成,涵盖98项任务与730条演示,并通过内容寻址哈希确保评估的严格性。其影响力在于为上下文模仿学习提供了标准化基准,推动了机器人操作评估的透明化与可比较性。
当前挑战
该数据集在领域问题上直面单次演示模仿学习的核心挑战,即模型需在极低数据条件下快速适应全新任务、初始状态与演示,同时应对空间、环境、物体等多维扰动以及手绘任务中连续笔触的精确控制。构建过程中亦存在显著挑战:需从异源数据集中统一任务定义、初始状态与演示格式,确保不同技能类别(如抓取放置与绘画)的评估单元可复现;避免训练数据泄露,要求组织者生成的任务绝不公开;并通过哈希清单严格绑定评估池版本,保障竞赛结果的不可篡改与可追溯。
常用场景
经典使用场景
在具身智能与机器人学习的演进中,单次演示下的上下文模仿学习日益成为衡量策略泛化能力的试金石。icil-competition-pools作为RoboTensor单演示上下文模仿学习竞赛的评测池,其最经典的使用场景在于为对决式评估提供可复现且防篡改的标准化任务单元。每个池由任务、初始状态与演示的哈希清单唯一标识,涵盖拾取放置与绘画两大技能族,并针对空间、环境、物体扰动及旋转变化设定候选单位,从而使策略在统一条件下接受公平检验。
衍生相关工作
该数据集扎根于LIBERO、LIBERO-PRO、LIBERO-Gen与DrawAnything-Sim等先导工作,并遵循Behavior Prompting论文对拾取放置的严格界定,衍生出一系列围绕单演示上下文模仿学习的经典研究。其池化范式启发了后续对评测协议标准化的探讨,推动了任务变体生成与扰动候选机制的设计,并为机器人操作与绘画生成领域的基准构建提供了可复用的数据组织模板。
数据集最近研究
最新研究方向
在具身智能与机器人操作领域,单演示上下文模仿学习(one-demonstration in-context imitation learning)正成为突破数据瓶颈的关键范式,icil-competition-pools 作为 RoboTensor 竞赛的评估池,以内容寻址的哈希机制确保任务、初始状态与演示的可复现性与防篡改特性,推动了该方向的标准化评测。当前前沿研究聚焦于通过技能解耦与扰动泛化来检验策略的鲁棒性,例如该池中 pick_and_place 任务涵盖空间、环境与物体层面的扰动变体,而 draw_anything 任务则引入人类手绘轨迹的旋转泛化,这些设计呼应了 Behavior Prompting 论文对抓取-放置两阶段操作的精确定义。该数据集的意义在于为上下文模仿学习提供了可验证、可追溯的基准,使得不同方法在相同条件下进行公平对决,加速了从单次演示中泛化至新任务与新场景的算法创新,对机器人基础模型的发展具有重要推动作用。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务