有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Open X-Embodiment Datase|机器人技术数据集|开源数据集数据集
收藏arXiv2024-06-01 更新2024-11-22 收录
下载链接：
https://robotics-transformer-x.github.io
下载链接
链接失效反馈资源简介：
谷歌 DeepMind 联手斯坦福大学等推出了 Open X-Embodiment Dataset，这是迄今为止最大的开源真实机器人数据集。它包含 100 多万条真实机器人轨迹，涵盖 22 个机器人实例，从单臂机器人到双手机器人和四足机器人。
提供机构：
谷歌DeepMind、斯坦福大学等
创建时间：
2024-06-01
AI搜集汇总
数据集介绍
构建方式
Open X-Embodiment Dataset 是由全球21个机构合作构建的大规模机器人学习数据集，涵盖了22种不同的机器人实体。该数据集通过整合60个现有的机器人数据集，并将其转换为统一的RLDS数据格式，以支持高效的并行数据加载。数据集包含了超过100万条真实机器人轨迹，涵盖了从单臂机器人到双臂机器人及四足机器人的多样化任务。通过这种跨机构、跨平台的协作，数据集展示了527种技能和160266个任务，为机器人学习提供了丰富的资源。
特点
Open X-Embodiment Dataset 的显著特点在于其多样性和广泛性。数据集不仅涵盖了多种机器人实体和环境，还包含了丰富的技能和对象类别，从日常家用物品到工业设备，几乎无所不包。此外，数据集通过语言注释进一步增强了其多样性，使得机器人能够学习从简单到复杂的各种任务。这种多样性使得数据集成为训练通用机器人策略的理想选择，能够有效提升机器人在不同平台和任务中的适应能力。
使用方法
Open X-Embodiment Dataset 提供了多种使用方式，研究人员可以通过下载数据集并使用提供的预训练模型进行推理和微调。数据集支持多种深度学习框架，并提供了详细的文档和代码示例，帮助研究人员快速上手。此外，数据集还提供了RT-X模型的预训练检查点，研究人员可以直接使用这些模型进行实验，或在此基础上进行进一步的模型优化和扩展。通过这些资源，研究人员可以探索跨平台、跨任务的机器人学习策略，推动机器人领域的研究进展。
背景与挑战
背景概述
Open X-Embodiment Dataset 是由全球21个机构合作创建的大规模机器人学习数据集，旨在通过多样化的机器人平台和环境数据，推动通用机器人策略的学习。该数据集于2024年提出，汇集了来自22种不同机器人平台的超过100万条轨迹，涵盖了527种技能和160266个任务。其核心研究问题是如何通过跨机器人平台的数据训练，实现机器人策略的正向迁移，从而提高机器人在不同任务和环境中的适应能力。该数据集的创建标志着机器人学习领域向大规模数据驱动的通用策略训练迈出了重要一步，对推动机器人技术的广泛应用具有深远影响。
当前挑战
Open X-Embodiment Dataset 面临的挑战主要集中在两个方面。首先，机器人学习领域的数据集通常规模较小且多样性不足，难以支持大规模通用模型的训练。尽管该数据集通过整合多个机器人平台的数据，提供了更广泛的覆盖，但如何有效利用这些异构数据仍是一个难题。其次，构建过程中，不同机器人平台的观测和动作空间差异显著，导致数据格式标准化和模型训练的复杂性增加。此外，如何确保模型在不同机器人平台上的正向迁移效果，以及如何处理数据中的长尾技能和稀有对象，也是该数据集需要解决的关键问题。
常用场景
经典使用场景
Open X-Embodiment Dataset 的经典使用场景在于其为机器人学习提供了大规模、多样化的数据集，涵盖了从单臂机器人到双臂机器人及四足机器人的多种形态。该数据集通过整合来自21个机构的22种不同机器人数据，展示了527种技能，适用于训练通用机器人策略。RT-X模型通过利用这些数据，能够在不同机器人平台之间实现正向迁移，提升机器人任务的执行能力。
解决学术问题
Open X-Embodiment Dataset 解决了机器人学习领域中常见的数据稀缺和多样性不足的问题。传统机器人学习方法通常依赖于特定任务、特定机器人或特定环境的数据，导致模型泛化能力有限。该数据集通过提供跨平台、跨环境的多样化数据，使得研究人员能够探索如何训练能够在不同机器人、任务和环境中高效适应的‘通用’机器人策略，推动了机器人学习向大规模数据驱动的方向发展。
衍生相关工作
Open X-Embodiment Dataset 的发布催生了一系列相关研究工作，特别是在跨机器人平台迁移学习和通用机器人策略的训练方面。例如，RT-1和RT-2模型的改进版本RT-X，通过利用该数据集实现了跨平台的正向迁移。此外，该数据集还激发了关于如何利用大规模预训练模型进行机器人学习的研究，如结合视觉-语言模型的机器人控制策略，进一步推动了机器人学习的边界。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey（CHNS）是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目，旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响，以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体，采用多阶段随机抽样方法，收集了家庭、个体以及社区层面的详细数据，包括饮食、健康、经济和社会因素等信息。自2011年起，CHNS不断扩展，新增多个城市和省份，并持续完善纵向数据链接，为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
MeSH
MeSH（医学主题词表）是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念，用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息，广泛应用于医学文献的分类和检索。
www.nlm.nih.gov 收录
Wind Turbine Data
该数据集包含风力涡轮机的运行数据，包括风速、风向、发电量等参数。数据记录了多个风力涡轮机在不同时间点的运行状态，适用于风能研究和风力发电系统的优化分析。
www.kaggle.com 收录
PCLT20K
PCLT20K数据集是由湖南大学等机构创建的一个大规模PET-CT肺癌肿瘤分割数据集，包含来自605名患者的21,930对PET-CT图像，所有图像都带有高质量的像素级肿瘤区域标注。该数据集旨在促进医学图像分割研究，特别是在PET-CT图像中肺癌肿瘤的分割任务。
arXiv 收录