导语
具身智能的数据集在过去两年完成了规模上的指数增长：Open X-Embodiment 聚合约 140 万条轨迹、AgiBot World 达到百万条级、RoboMIND 2.0 扩展到 31 万条含触觉与失败标签的轨迹。但 2026 年的共识正在发生变化——规模不再是唯一的甚至不是主要的竞争维度。中国人工智能学会《具身智能（2026 版）》白皮书把数据划分为真机、仿真与互联网视频三层，并强调三者的配比与治理；行业标准把质量维度显式化为可考核的指标。换言之，数据集的竞争正在从"谁更大"转向"谁的结构更合理、质量更可验证、合规更完备"。
技术要点
主流真机数据集格局（公开信息整理）：
| 数据集 | 规模 | 覆盖 | 关键特征 |
|---|---|---|---|
| Open X-Embodiment | 约 140 万轨迹 | 22 种本体 / 527 技能 / 311 场景 | RLDS 统一格式，跨机构聚合，子集质量参差 |
| AgiBot World（2026 版） | 100 万+ 轨迹 | 217 任务 / 3000+ 物品 | 全域真实场景、工业级质控、真实 + 仿真双开源 |
| RoboMIND 2.0 | 31 万轨迹 / 1000+ 小时 | 739 任务 / 6 类本体 | 含触觉、力/力矩、失败示范标签 |
| DROID | 7.6 万轨迹 / 350 小时 | 564 场景 / 86 任务 | 三路双目，15Hz，关节与末端位姿双记录 |
| Humanoid Everyday | 约 1.03 万轨迹 | 260 任务 | 人形本体第一视角为主 |
| BridgeData V2 | 约 6 万轨迹 | 多环境桌面操作 | 原始文件 + RLDS/TFDS，5Hz |
| RH20T | 约 11 万序列 | 多种机械臂 | 视觉、力、音频、部分触觉 |
数据金字塔成为共识框架。 真机数据高保真但成本高、绑定特定本体；仿真数据低成本可并行但存在域差距；互联网视频数据规模最大但机器人对齐度最弱。更细的五层划分是真机 → UMI/穿戴 → 人类第一视角视频 → 仿真 → 网络视频，可扩展性递增而对齐度递减。这两者之间的张力，决定了任何一份数据能走多远。
质量维度被标准化。 行业已出现把数据质量显式化为可考核指标的尝试（如八项质量指标的标准框架），涵盖采集条件、标注一致性、完整性、时序正确性等。对采购方而言，这意味着数据集第一次有了"验收标准"，而非只能靠试用判断。
格式与元数据成为隐性门槛。 RLDS、HDF5、MCAP、LeRobot 与厂商自定义格式并存；跨本体聚合要求动作表示、坐标系、时间基准与标定参数齐备。缺少元数据的数据集，即使规模很大也难以被高质量利用。
关键突破
- •失败样本进入主流数据集：RoboMIND 2.0 提供失败示范标签，填补了"接近成功但失败"这一部署高频区间的数据空白。
- •触觉与力/力矩成为标准模态：从可选变为标配，多模态时间对齐成为数据集质量的硬指标。
- •仿真数据与真实数据配套开源：AgiBot World 2026 版同时开源真实数据与数字孪生仿真环境，形成"真实保基础行为、仿真拓展泛化边界"的组合。
- •质量从主观评价转向可考核指标：标准框架的推进使数据卡具备了合同附件的雏形。
对产业的影响
第一，数据卡的完备度将直接决定成交率。规模、分布、采集条件、标注协议、合规授权、质检方法六项齐备，才具备进入大厂采购流程的条件；缺项会在法务与技术审查阶段被退回。
第二，"含失败样本 + 含触觉 + 有阶段标注"将成为数据集的溢价三要素。这三项恰好对应当前模型的三个主要短板：长程记忆、接触细节、时序结构。
第三，格式开放度决定生态位。历史经验表明，格式之战的赢家通常不是技术最优者而是生态最开放者；提供双向转换工具并保留高精度元数据扩展字段，是兼顾开放与差异化的可行路径。
配图建议
图 1（放置：导语之后）
- •画面描述：主流真机数据集的双轴气泡图。横轴为轨迹数量（对数刻度），纵轴为任务/场景覆盖数，气泡面积代表是否含多模态（触觉/力）。四个气泡分别标注 OXE、AgiBot World、RoboMIND 2.0、DROID；含多模态的气泡用高亮描边。
- •图注：图 1｜主流真机数据集的规模—覆盖—模态三维对照（数据引自各数据集官方文档与公开报道，2026）。
图 2（放置："技术要点"中数据金字塔段落后）
- •画面描述：五层数据金字塔，自下而上为：网络视频 → 仿真数据 → 人类第一视角视频 → UMI/穿戴式 → 真机数据。左侧纵轴标注"机器人对齐度（下低上高）"，右侧纵轴标注"可扩展规模（下高上低）"，中间用一条对角虚线表示张力。
- •图注：图 2｜数据金字塔与"对齐度—可扩展性"张力：越往上越贵但越可用，越往下越大但越需算法桥接。
图 3（放置："对产业的影响"第一条之后）
- •画面描述：数据卡六要素清单式图示。中央为"数据卡"卡片，向外发散六项：规模分布 / 采集条件 / 标注协议 / 质量指标 / 合规授权 / 质检方法。每项配一个小图标与一句话说明；底部横条标注"六项齐备 = 具备交付条件"。
- •图注：图 3｜数据卡六要素：从宣传材料演化为可验收的交付物。
来源与时间
- •Open X-Embodiment（Google DeepMind 联合 21 家机构，60 个子数据集聚合；公开规模表述存在 100 万 / 140 万两种口径，以官方最新版为准）。
- •AgiBot World Beta（2025）与 2026 版开源（智元，2026-04 宣布）。
- •RoboMIND 2.0（国家地方共建具身智能机器人创新中心等，2026）：31 万轨迹、1000+ 小时、739 任务、6 类本体、含触觉与失败标签。
- •DROID（2024）：7.6 万轨迹 / 350 小时 / 564 场景 / 86 任务。
- •中国人工智能学会《中国人工智能系列白皮书——具身智能（2026 版）》：数据三层金字塔与仿真平台对比。
- •具身数据质量相关行业标准框架（具体标准号与指标以官方发布为准，待核实）。
标注说明：不同来源对同一数据集的规模表述存在差异（是否含失败轨迹、是否含仿真数据），本文已尽量采用官方口径并标注出处；行业标准的编号与实施时间待核实。