DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset

制作大型、多样化、高质量的机器人操纵数据集是走向更具能力和鲁棒性的机器人操纵策略的重要基石。然而，制作这样的数据集是具有挑战性的：在不同环境中收集机器人操纵数据存在后勤和安全挑战，并需要大量的硬件和人力投资。因此，即使是今天最通用的机器人操纵策略，也主要是在有限的场景和任务多样性的少数环境中收集的数据进行训练。在这项工作中，我们介绍了DROID（分布式机器人交互数据集），这是一个包含76k个演示轨迹或350个小时交互数据的多样化机器人操纵数据集，由50名数据收集者在北美、亚洲和欧洲的564个场景和84个任务中收集了12个月。我们证明，使用DROID进行训练可以得到性能更高、泛化能力更强的策略。我们开源了完整的数据集、策略学习代码和详细的指南，以重现我们的机器人硬件设置。

本篇论文旨在解决创建大规模、多样化、高质量的机器人操作数据集的挑战，以提高机器人操作策略的能力和鲁棒性。

通过引入DROID（分布式机器人交互数据集），收集了来自北美、亚洲和欧洲的50个数据收集者在564个场景和84个任务中的76k演示轨迹或350小时的交互数据，证明了使用DROID进行训练可以提高性能和改善泛化能力。

DROID是一个多样化的机器人操作数据集，包含大量场景和任务，并且通过分布式收集方式收集，可用于提高机器人操作策略的性能和泛化能力。论文公开了完整的数据集、策略学习代码和详细的指南，以便其他研究者进行复现和扩展。实验结果表明，使用DROID进行训练可以提高机器人操作策略的性能和泛化能力。

在相关研究方面，最近的研究包括：《RoboTurk: A Crowdsourcing Platform for Robotic Skill Learning through Imitation》、《Learning Dexterous In-Hand Manipulation》、《Adapting Deep Visuomotor Representations with Weak Pairwise Constraints》等。