SoccerDiffusion

SoccerDiffusion数据集由汉堡大学Bit-Bots团队收集，包含88个来自RoboCup 2024比赛和RoboCup德国公开赛2025的机器人比赛记录。数据集包含传感器测量、中间表示、行为输出以及发送给伺服电机的关节命令。数据集经过预处理，包括数据同步和重采样，以确保所有模式都同步并以统一格式输入模型。该数据集旨在用于训练基于Transformer的扩散模型，以学习人形机器人足球的端到端控制策略。数据集的发布旨在为社区提供基础，用于未来的强化学习研究。

The SoccerDiffusion dataset was collected by the Bit-Bots team from the University of Hamburg. It contains 88 match records from the RoboCup 2024 competition and the RoboCup German Open 2025 robot soccer matches. The dataset includes sensor measurements, intermediate representations, behavioral outputs, and joint commands sent to servo motors. The dataset has been preprocessed with data synchronization and resampling to ensure that all modalities are synchronized and formatted uniformly for model input. This dataset is intended for training Transformer-based diffusion models to learn end-to-end control policies for humanoid robot soccer. The release of the SoccerDiffusion dataset aims to provide a foundational resource for the community to conduct future reinforcement learning research.

原始信息汇总

SoccerDiffusion 数据集概述

数据集基本信息

• 名称: SoccerDiffusion
• 研究团队: Florian Vahl, Jörn Griepenburg, Jan Gutsche, Jasper Güldenstein, Jianwei Zhang
• 机构: University of Hamburg, Germany
• 研究目标: 学习人形机器人足球的端到端控制策略

数据集内容

• 数据来源: RoboCup比赛记录
• 数据类型: 多模态传感器输入（视觉、本体感觉、游戏状态）和关节命令轨迹
• 行为覆盖: 行走、踢球、跌倒恢复等复杂运动行为

数据集下载

• 文件名称: robocup_2024_german_open_2025.sqlite3
• 压缩文件名称: robocup_2024_german_open_2025.sqlite3.gz
• 下载方式:

  1. 直接下载并解压: bash wget https://data.bit-bots.de/SoccerDiffusion/dataset/robocup_2024_german_open_2025.sqlite3.gz -O - | gzip -d > robocup_2024_german_open_2025.sqlite3

  2. 下载压缩文件后手动解压: bash gzip -d robocup_2024_german_open_2025.sqlite3.gz

文件信息

文件	大小	SHA256SUM	MD5SUM
robocup_2024_german_open_2025.sqlite3.gz	266 GB	21ba0fe6ff39298f678bb59b2f85e6cfa5351d77d0695f73d9f4bb69a2427d7c	ecd6b5a5adeef7a688e281afe7fa91c8
robocup_2024_german_open_2025.sqlite3	340 GB	c39d10b9c5533f8d04a2c58e3d522b2134cda7fe64e9eabca9363c9ebfd2b1e4	de6997b4f18e701e3d7730e3e1151ae2

致谢

• 资助方: University of Hamburg的DDLitLab项目、Stiftung Innovation in der Hochschullehre基金会
• 数据支持: Hamburg Bit-Bots、B-Human、HULKs RoboCup团队
• 计算资源: TAMS研究组
• 额外资助: 汉堡市科学、研究与平等部、德国研究基金会(DFG)、中国国家自然科学基金(NSFC)

搜集汇总

数据集介绍

构建方式

SoccerDiffusion数据集的构建基于RoboCup竞赛中真实比赛记录的多模态传感器数据，包括视觉、本体感觉和游戏状态信息。研究团队从Hamburg Bit-Bots队的88场比赛记录中采集数据，通过ROS 2 Bag格式存储原始数据，并经过严格的预处理流程。数据预处理涉及多模态同步、重采样至标准频率（关节数据50Hz，图像10Hz），以及图像降采样至480x480像素分辨率。所有预处理数据最终被整合到一个340GB的SQLite数据库中，确保了数据查询的高效性和训练过程的同步性。

特点

该数据集的核心特点在于其端到端的控制策略学习框架，通过扩散模型捕捉人形机器人足球运动中的多模态行为分布。数据集完整记录了真实比赛场景中的复杂动作序列，包括行走、踢球、跌倒恢复等动态行为。特别值得注意的是，数据集通过蒸馏技术实现了从多步扩散到单步推理的转化，使得模型能够在嵌入式平台上实时运行。此外，数据集展现了良好的真实世界到仿真的迁移能力，模型在不同平台上均表现出稳定的运动控制性能。

使用方法

使用该数据集时，研究者可通过加载SQLite数据库获取同步的多模态训练样本。数据集支持端到端的策略学习，输入层包含视觉图像、关节状态、旋转信息和游戏状态，输出层为关节控制指令。为提升推理效率，建议采用论文提出的蒸馏模型架构，将30步扩散过程压缩为单步推理。实际部署时，模型生成的关节轨迹需采用延迟补偿机制执行，通过重叠轨迹生成确保运动连续性。该数据集特别适合作为强化学习或偏好优化方法的初始策略基础，也可用于研究人形机器人的运动技能迁移问题。

背景与挑战

背景概述

SoccerDiffusion数据集由德国汉堡大学的研究团队于2025年提出，旨在通过基于Transformer的扩散模型，从真实比赛记录中学习人形机器人足球的端到端控制策略。该数据集的核心研究问题聚焦于如何利用RoboCup竞赛中收集的多模态传感器数据（包括视觉、本体感觉和比赛状态），生成复杂的关节指令轨迹。作为机器人行为克隆领域的重要尝试，该数据集为后续强化学习或偏好优化方法提供了基础，推动了动态环境下自主机器人控制技术的发展。

当前挑战

该数据集面临的主要挑战体现在两个方面：在领域问题层面，人形机器人足球运动具有高度动态性和多模态特性，传统行为克隆方法难以处理动作空间的模糊性和长期依赖关系；在构建过程层面，数据采集涉及多传感器同步、实时性要求高，且需要解决从真实比赛记录到仿真环境的域适应问题。此外，为满足嵌入式平台的实时推理需求，需通过蒸馏技术将多步扩散过程压缩为单步推理，这对模型架构设计提出了严峻挑战。

常用场景

经典使用场景

SoccerDiffusion数据集在机器人足球领域的经典应用场景主要体现在其能够从真实的比赛记录中学习仿人机器人的端到端控制策略。通过收集RoboCup比赛中的多模态传感器数据，包括视觉、本体感觉和游戏状态，该数据集被用于训练基于扩散模型的策略，以预测关节指令轨迹。这种应用场景特别适合于需要复杂运动行为（如行走、踢球和跌倒恢复）的动态环境中，为机器人足球的研究提供了丰富的数据支持。

解决学术问题

SoccerDiffusion数据集解决了仿人机器人控制中的多个关键学术问题。首先，它通过扩散模型处理了行为克隆中的多模态动作空间问题，避免了传统方法中因平均策略导致的多样性丧失。其次，该数据集为端到端控制策略的研究提供了真实世界的数据基础，减少了对手工设计控制算法的依赖。此外，通过蒸馏技术，该数据集还解决了在嵌入式平台上实时推理的挑战，为后续的强化学习或偏好优化方法奠定了基础。

衍生相关工作

SoccerDiffusion数据集衍生了一系列相关研究工作，主要集中在机器人控制和行为学习领域。例如，基于该数据集的扩散模型被用于改进仿人机器人的端到端控制策略，部分研究还结合了强化学习方法进一步优化机器人的战术行为。此外，该数据集还启发了多模态传感器融合的研究，特别是在视觉和本体感觉数据的联合建模方面，为机器人足球的智能化发展提供了新的思路。