atec2026-task-e-reproducibility

该数据集是ATEC2026线上赛L0「桌面整理 Task E」的复现数据与日志，由Datawhale团队在赛后开源。核心数据是一个经过过滤的100-demo HDF5文件（trajectory_filtered.hdf5），用于训练ACT（Action Chunking with Transformers）模型的最佳方案（seed1）。该HDF5文件按100MiB分片存储（共337个分片，part-0000至part-0336），合并后总大小约为33.7GB（原始未过滤版本约121GB）。此外，数据集还包含调试日志、评估日志以及关键视频归档（logs/task_e_logs_20260520_20260609.tar.zst），用于复盘ACT、XSA-ACT、PCA/GraspGen-style、AnyGrasp/GraspNet、SAM、pi0.5/OpenPI等多种技术路线。该数据集主要用于机器人操作任务中的桌面整理场景，适用于基于模仿学习（如ACT）的模型训练与复现。This dataset consists of the reproduction data and logs from ATEC2026 online competition L0 Desktop Organization Task E, open-sourced by the Datawhale team after the competition. The core data is a filtered 100-demo HDF5 file (trajectory_filtered.hdf5) for training the best solution (seed1) of the ACT (Action Chunking with Transformers) model. The HDF5 file is stored in 100MiB shards (337 shards, part-0000 to part-0336), with a total size of about 33.7GB after merging (the original unfiltered version is about 121GB). The dataset also includes debug logs, evaluation logs, and a key video archive (logs/task_e_logs_20260520_20260609.tar.zst) for reviewing various technical routes including ACT, XSA-ACT, PCA/GraspGen-style, AnyGrasp/GraspNet, SAM, pi0.5/OpenPI, etc. This dataset is mainly used for desktop organization scenarios in robotic manipulation tasks, suitable for training and reproducing imitation learning models (e.g., ACT).

原始信息汇总

数据集概述

本数据集是 Datawhale ATEC2026 线上赛 L0「桌面整理 Task E」赛后开源复现所需的大文件存储仓库，主要用于支持 ACT（Action Chunking with Transformers）方案的训练复现与路线复盘。

仓库内容

仓库包含两类核心文件：

文件/目录	说明
data/final_100demos_filtered_split_100m/trajectory_filtered.hdf5.part-0000 ... part-0336	ACT seed1 best 方案训练使用的过滤后 100-demo HDF5 轨迹文件，按 100MiB 分片存储，共 337 个分片。合并后文件名为 trajectory_filtered.hdf5。
logs/task_e_logs_20260520_20260609.tar.zst	Task E 的调试日志、评估日志和关键视频归档，用于复盘 ACT、XSA-ACT、PCA/GraspGen-style、AnyGrasp/GraspNet、SAM、pi0.5/OpenPI 等多条技术路线。

文件恢复与校验

• 分片合并命令：cat data/final_100demos_filtered_split_100m/trajectory_filtered.hdf5.part-* > trajectory_filtered.hdf5
• 校验方式：合并后使用 sha256sum trajectory_filtered.hdf5 与 SHA256_FILTERED_ORIGINAL.txt 内容比对；上传分片的 SHA256 校验值存放在 SHA256SUMS_FILTERED_SPLIT.txt。

不包含的内容

• 原始未过滤的 trajectory.hdf5（约 121GB，属于采集/过滤中间产物）
• 失败实验的 checkpoint
• OpenPI/pi0.5 训练状态
• Isaac/系统缓存和临时下载缓存

配套资源

• 配套代码教程：GitHub 仓库 datawhalechina/every-embodied 中的 ATEC2026 L0 桌面整理 TaskE 目录（https://github.com/datawhalechina/every-embodied/tree/main/15-Challenge%E7%AB%9E%E8%B5%9B/ATEC2026/L0-%E6%A1%8C%E9%9D%A2%E6%95%B4%E7%90%86TaskE）
• 配套模型权重：Hugging Face 模型仓库 Datawhale/atec2026-task-e-act-seed1-best（https://huggingface.co/Datawhale/atec2026-task-e-act-seed1-best）

元数据

• 任务类别：robotics（机器人操作）
• 标签：ATEC2026、Piper、ACT、robot-manipulation
• 许可证：other（其他）

搜集汇总

数据集介绍

构建方式

该数据集源自Datawhale ATEC2026线上赛L0桌面整理Task E的赛后开源复现项目，聚焦于机器人操作领域中的动作分块变换器（ACT）模型训练数据。构建过程严谨，原始采集的轨迹数据经过精细过滤，筛选出100个高质量演示，并整合为单一HDF5文件。为便于网络传输与存储，该文件按100MiB分片切割，附带SHA256校验和，确保数据完整性与可追溯性。此外，数据集还包含训练日志、评估日志及关键视频归档，全面记录复现过程中的调试与评估细节。

特点

该数据集的核心特点在于其针对性与实用性。过滤后的100个演示数据专为ACT模型训练优化，剔除了冗余或噪声样本，提升了学习效率。分片存储设计兼顾了大文件管理的便捷性与下载灵活性，而详尽的校验信息保障了数据可靠性。配套日志覆盖多种算法路线的探索，如XSA-ACT、GraspGen等，为研究者提供了宝贵的对比参考，极大促进了桌面整理任务的算法复现与创新。

使用方法

使用者通过简单的cat命令合并分片文件，即可恢复完整的trajectory_filtered.hdf5，随后可将其直接用于ACT模型训练。数据仓库提供的GitHub教程与模型权重，简化了从数据到模型的部署流程。日志归档便于复盘不同方法的表现，助力算法调优。该数据集设计兼顾易用性与完整性，是机器人操作领域研究与竞赛复现的理想资源。

背景与挑战

背景概述

该数据集由Datawhale团队于2026年创建，旨在支持ATEC2026线上赛L0「桌面整理Task E」的赛后复现工作。核心研究问题聚焦于机器人操作任务中的动作生成模型，尤其是Action Chunking with Transformers (ACT) 模型的复现与验证。数据集提供了过滤后的100演示轨迹数据（trajectory_filtered.hdf5）以及详细的日志档案，覆盖了ACT、XSA-ACT、PCA/GraspGen-style、AnyGrasp/GraspNet、SAM、pi0.5/OpenPI等多种技术路线的调试与评估记录。作为机器人操作领域的重要开源资源，该数据集促进了复杂桌面整理任务的算法复现与基准比较，对推动具身智能研究具有显著影响力。

当前挑战

该数据集所解决的领域问题包括机器人操作中的动作生成与泛化，其核心挑战在于从有限演示中学习鲁棒策略，并适应桌面整理任务的动态变异性。构建过程中，团队面临了原始数据规模庞大（未过滤HDF5约121GB）与处理效率的矛盾，需通过精细过滤保留关键信息；同时，跨多模型架构（如ACT与pi0.5）的日志整合与关键视频归档增添了数据管理的复杂度。此外，为确保复现性，分片传输与SHA256校验机制需严格设计，并明确排除中间产物以避免误导，这些均对数据集的完整性与可用性提出了高要求。

常用场景

经典使用场景

该数据集作为ATEC2026桌面整理任务（Task E）的复现核心，主要服务于机器人操作学习领域的研究与开发。依托于过滤后的100个演示轨迹HDF5文件，研究者能够基于ACT（Action Chunking with Transformers）等模仿学习算法进行模型训练与评估。其经典使用场景涵盖：从零复现竞赛优胜方案、在固定演示集上比较不同动作分块策略的效能、以及验证数据过滤与增强方法对操作泛化能力的影响。该数据集还配套详尽的日志与视频归档，便于研究者还原实验链条，深入剖析模型在真实桌面整理任务中的行为特性与瓶颈。

衍生相关工作

该数据集衍生了一系列后续经典工作，极具启发价值。基于其过滤后的演示数据，研究者已探索了多种先进方法，包括XSA-ACT（扩展状态空间动作分块）、PCA/GraspGen风格的抓取生成、以及结合AnyGrasp/GraspNet的感知-操作融合管线。此外，数据集中的日志也催生了对大规模预训练模型（如pi0.5/OpenPI）在桌面操作任务上微调的研究，进而推动基于上下文学习的操作策略发展。这些衍生工作不仅丰富了模仿学习与具身智能的方法论，也为机器人操作基准测试的社区共识与标准化贡献了重要参考。

数据集最近研究

最新研究方向

该数据集聚焦于具身智能领域中的机器人操作任务，特别是针对桌面整理场景的复现研究。当前前沿方向围绕端到端模仿学习方法（如ACT）的数据效率与泛化能力展开，通过过滤高价值轨迹、分片存储与日志归档，支撑从数据采集、模型训练到评估验证的全流程复现。研究热点涉及结合视觉-语言-动作模型（如pi0.5/OpenPI）与抓取算法（如AnyGrasp/GraspNet），并探索多模态感知与运动执行的融合。该数据集的意义在于提供可复现的基准，促进社区在复杂操作任务上的算法对比与迭代，加速机器人学习技术的实用化进程。