g1-inspire-hand-humanoid-etri-v1

本数据集名为Unitree G1 人形机器人操作（ETRI 自建），是由韩国电子通信研究院（ETRI）自行收集的Unitree G1人形机器人搭配Inspire手部进行操作任务的数据集。原始数据包含1478个episodes，本精选版本从中选取了前200个episodes，专门用于模型训练与验证。该数据集是글로벌TOP 프로젝트第一阶段模型学习回归任务的一部分，主要推荐用于视觉语言动作（VLA）人形机器人的微调。评估将在ETRI自有的独立评估环境中进行。数据集具体来源为g1-inspire-hand-2025-v3，对应Hugging Face上的etri-robotai-platform-dev/g1_inspire_hand_2025_v3仓库。数据经过严格筛选，元数据包括：机器人类型为unitree_g1_inspire_hand，数据采集于etri_2025_collection，视频帧率为30 FPS，任务类别为人形机器人操作，精选的episodes范围为前200个。本数据集由ETRI RobotAI平台为开发验证目的自动生成，遵循原始数据集的许可证协议，实际用于训练和评估的episode索引记录在manifest.json文件的selected_indices字段中。This dataset is named Unitree G1 Humanoid Robot Operation (ETRI Self-built), and it is a dataset independently collected by the Electronics and Telecommunications Research Institute (ETRI) of South Korea, focusing on the operation tasks of the Unitree G1 humanoid robot equipped with the Inspire hand. The original data contains 1478 episodes, and this curated version selects the first 200 episodes specifically for model training and validation. The dataset is part of the first phase model learning regression task of the Global TOP Project, primarily recommended for fine-tuning vision-language-action (VLA) humanoid robots. Evaluation will be conducted in ETRIs own independent evaluation environment. The dataset originates from g1-inspire-hand-2025-v3, corresponding to the Hugging Face repository etri-robotai-platform-dev/g1_inspire_hand_2025_v3. The data has been rigorously filtered, with metadata including: robot type as unitree_g1_inspire_hand, data collected from etri_2025_collection, video frame rate of 30 FPS, task category as humanoid robot operation, and curated episodes range from the first 200. This dataset is automatically generated by the ETRI RobotAI platform for development and validation purposes, following the original datasets license agreement, and the actual episode indices used for training and evaluation are recorded in the selected_indices field of the manifest.json file.

原始信息汇总

数据集概述：Unitree G1 人形机器人操控数据集 (ETRI 自采)

这是一个由 ETRI (韩国电子通信研究院) 自采的 Unitree G1 人形机器人结合 Inspire 灵巧手进行操控的数据集，专用于 VLA (视觉-语言-动作) 人形机器人的微调任务。

数据集规模与筛选

• 共包含 1478 个操作片段 (Episodes)。
• 仅从中选取前 200 个片段用于模型训练和验证。
• 此精选数据集专用于 "Global TOP" 项目第一阶段的模型回归测试。

数据来源

数据集名称	来源	总片段数	选用片段数
g1-inspire-hand-2025-v3	etri-robotai-platform-dev/g1_inspire_hand_2025_v3	1478	200

数据过滤标准 根据预设的过滤器 (Filters)，数据集包含以下元数据：

• 机器人: unitree_g1_inspire_hand
• 数据源: etri_2025_collection
• 帧率: 30 FPS
• 任务类型: humanoid_manipulation (人形机器人操控)
• 片段范围: head_200 (前200个片段)

推荐用途

• 用于 VLA (Vision-Language-Action) 模型的人形机器人微调。
• 评估赛道为 ETRI 自有的评估环境。

许可与来源

• 该精选数据集由 ETRI RobotAI 平台为开发验证自动生成。
• 遵循其原始数据集的许可协议。
• 实际用于训练和评估的片段索引由 manifest.json 文件中的 selected_indices 指定。

搜集汇总

数据集介绍

构建方式

本数据集聚焦于Unitree G1人形机器人搭载Inspire灵巧手的高精度操作任务，由韩国电子通信研究院（ETRI）自主采集构建。原始数据集包含1478个操作演示片段，为了配合全球TOP项目第一阶段模型回归训练的验证需求，从中精选出前200个高质量片段构成当前版本。数据采集过程基于ETRI自有的机器人操作平台，以30帧/秒的稳定速率记录，确保了运动轨迹的连续性与时域一致性。

特点

该数据集专为视觉-语言-动作（VLA）人形机器人的微调场景设计，其核心特色在于数据源的高度专一性与结构化过滤机制。所有数据均来自ETRI 2025年度统一采集批次，仅保留由单一机器人形态（Unitree G1搭配Inspire手部）生成的操作记录，并通过任务类别限定为'人形操作'，有效控制了模态间的噪声。前200个片段的精确筛选通过清单索引管理，使训练与评估的分配完全透明可溯源。

使用方法

推荐将本数据集用于人形机器人操作策略的精细调优阶段，特别是针对VLA多模态模型的零样本迁移或领域适配。使用时需注意，数据随附的manifest.json文件中的'selected_indices'字段明确标注了参与实际训练与评估的片段编号，开发者应以此为准进行数据划分。由于原始数据遵循各自来源许可证，引用时需同时遵守ETRI平台的衍生数据使用规范。

背景与挑战

背景概述

随着人形机器人技术的飞速发展，如何使机器人具备复杂的环境感知与灵巧操作能力成为研究焦点。在此背景下，韩国电子通信研究院（ETRI）于2025年推出了g1-inspire-hand-humanoid-etri-v1数据集，旨在为视觉-语言-动作（VLA）模型的微调提供高质量训练资源。该数据集基于Unitree G1人形机器人平台，并装配Inspire灵巧手，通过ETRI自主采集方式获取了1478个操作任务片段，经过严格筛选保留前200个高质量片段用于模型训练与验证。作为全球TOP项目第一阶段的核心数据支撑，该数据集聚焦于解决人形机器人在非结构化环境中的精细操作问题，对推动人形机器人从实验室走向实际应用具有重要学术价值与工程意义。

当前挑战

当前人形机器人灵巧操作面临多重挑战：首先，灵巧手的高自由度控制与精确力反馈在复杂任务中难以实现稳定协调，现有数据集普遍缺乏针对多指协同操作的精细化标注；其次，数据采集过程中，不同操作片段间的运动平滑性与一致性难以保证，尤其在人形机器人全身协调运动的场景下，动作轨迹的连续性成为模型泛化能力的瓶颈；此外，从1478个候选片段中仅筛选200个有效样本，反映出任务多样性与数据噪声之间的尖锐矛盾，如何在大规模原始数据中自动识别并提取高质量示范序列，仍是构建可靠人形机器人数据集的核心技术难题。

常用场景

经典使用场景

在具身智能与机器人操作领域，g1-inspire-hand-humanoid-etri-v1数据集专为VLA（Vision-Language-Action）模型的微调与验证而设计。该数据集由ETRI（韩国电子通信研究院）自主采集，包含了Unitree G1人形机器人配备Inspire灵巧手后执行多样化操作任务的1478个原始片段，其中精心筛选了前200个高质量片段用于模型训练与回归测试。研究者和工程师们通常将其作为人形机器人操控策略学习的关键基准，尤其适用于评估VLA模型在实际人形机器人上的泛化能力与物理交互精度。

解决学术问题

该数据集有效回应了人形机器人操作领域中两大核心学术难题：一是如何利用少量但高质量的真实机器人演示数据实现VLA模型的快速领域适应；二是如何为基于Transformer的视觉-语言-动作联合建模提供可复现的标准化验证集。通过提供结构化的30FPS时序数据、清晰的任务类别标签及预选的训练-验证划分方案，数据集解决了以往人形机器人操控研究中数据来源单一、评估标准不统一的关键瓶颈，为人形机器人从仿真到真实环境的技能迁移研究奠定了坚实的实证基础。

衍生相关工作

该数据集的出现催生了若干重要衍生研究方向。一方面，基于其提供的精选轨迹数据，研究者设计了面向人形机器人的高效模仿学习框架，如结合扩散策略（Diffusion Policy）与低秩适配（LoRA）的VLA微调方法，显著降低了模型对新操作任务的适配成本。另一方面，该数据集激发了跨机构合作下的多源数据融合工作，例如将其与Unitree H1、Franka等不同机器人平台的数据集进行联合训练，探索基础通用操作模型在人形机器人上的迁移能力。此外，以该数据集为基准的ETRI全局TOP项目近期在Phase 1阶段验证了VLA模型在物理人形机器人上的回归稳定性，推动了开放数据生态下具身智能验证规范的初步建立。