具身智能数据集生态深度普查报告

• 检索完成日期：2026-08-27（报告日期 2026-08-28）
• 方法：对每个数据集实查其 HuggingFace 数据卡、官方网站或 GitHub 仓库（本文所有"已核实"字样均指从官方页面原文直接确认；WebFetch 全域被网络策略阻断，改用 webReader 抓取官方页面全文）。规模与统计以官方页面/论文口径为准，第三方口径单独标注。
• 覆盖：20 个数据集/数据族，含海外通用真机操作、第一人称人类视频、合成/仿真、国内厂商与社区生态五大类。
• 局限声明：部分许可原文未能逐字核实（DROID 官方页、GR00T 数据集、WIYH、SynGrasp-1B、FMB、DexMV），正文中以"待核实"标注，不作商用决策依据。

0. 一页结论

1. 许可是这条赛道最大的分水岭。同为"开源"，BridgeData V2 是 CC BY 4.0（可商用、可再分发），而 AgiBot World 是 CC BY-NC-SA 4.0（禁商用+相同共享）、Ego4D 是 CC BY-NC 4.0（禁商用）。把 NC 数据混进商用训练管线是合规事故，不是技术问题。
2. 规模竞赛已进入"十万小时"量级：光轮 EgoSuite-Open100K（100,000 小时第一人称）＞ AgiBot World 全量（100k+ 轨迹/300h+，Beta 宣称 ~1M 轨迹）＞ DROID（76k 轨迹/350h）＞ RoboMIND（107k 轨迹，2.0 版 310k+）＞ OXE（1M+ 轨迹聚合）。
3. 格式已收敛出双标准：Google 系遗产 RLDS/TFDS（OXE、DROID）正在被 LeRobotDataset v3.0（Parquet+MP4、Hub 可流式）取代；光轮进一步用 LeRobot v3 + MCAP 双格式发布，是新发布数据集的参考范式。
4. 采集规范共识：多相机（1 全局/过肩 + 腕部，厂商级 8 相机+深度）+ 相机内外参标定随包 + 纳秒级时间戳 + 脱敏管线 + 语言指令标注。这五件套是我们垂域数据产品可以直接对标的最低标准。
5. 商业模式三极：智元（NC 开源换生态）、光轮（明示"学术+商业训练可用"+gated 引流）、京东 robotdata（按原子任务 SKU 付费交易，如"用干布整理纸巾盒表面 78GB"）。我们垂域业务天然属于第三极，合规管线应对标光轮。

---

1. 海外通用真机操作数据集

1.1 Open X-Embodiment（OXE / RT-X 数据池）

• 规模：1M+ 真机轨迹，22 种本体（单臂/双臂/四足等），21 家机构联合，527 项技能（160,266 个任务）。论文口径为聚合 60 个数据集（来自 34 个实验室），社区镜像与 issue 显示清单已增长至约 70 个，成员许可以官方 spreadsheet 为准。
• 本体/相机：22 种本体各异（WidowX、Franka、Kuka、xArm 等），相机配置随成员数据集。
• 格式：RLDS/TFDS episode 格式（TensorFlow 生态），经 gsutil 从 gs://gresearch/robotics 等 GCS bucket 下载，或 tfds.builder_from_directory 直读。社区镜像：HF jxu124/OpenX-Embodiment。
• 许可（已核实，来自官方 GitHub README）：仓库软件 Apache-2.0，其余材料 CC-BY 4.0；但约 60-70 个成员数据集各自许可不一，无统一商用授权，商用需逐个核对（第三方 particula.tech 分析确认论文无许可章节，许可记录在 spreadsheet）。
• 获取难度：开放（gsutil 直下，部分成员 bucket 偶有缺失，issue 记录过"55 个只能下到 27 个"的时段）。
• 质量口碑：VLA 模型预训练的事实标准数据池（RT-X、OpenVLA、pi0 均用），但成员间质量、频率、相机配置高度不均，通常需要重加权/过滤。
• 链接：https://github.com/google-deepmind/open_x_embodiment | https://robotics-transformer-x.github.io | https://huggingface.co/datasets/jxu124/OpenX-Embodiment

1.2 OXE 成员：Fractal（Google 厨房数据）与 RT-1/Kitchen

• 规模：fractal20220817_data 约 73.5k 轨迹（第三方统计口径）；RT-1 训练用厨房任务演示为 OXE 的重要成员。均为 Google 内部 Everyday Robots 数据，仅通过 OXE 渠道发布，不单独提供。
• 本体/相机：Everyday Robots 移动操作机器人，多相机（含高处/宽视角）。
• 格式：RLDS/TFDS，随 OXE 分发。
• 许可：随 OXE 伞状条款；商用需按成员条目核对。
• 获取难度：开放（经 OXE），体量大、下载耗时。
• 质量口碑：RT-1/RT-2 的原始训练数据，指令标注质量高，是 OXE 内最常被单独引用的成员。
• 注意混淆点：OXE 里的"Fractal"与 Stanford/Berkeley 的 FMB（Functional Manipulation Benchmark，见 1.7）是两回事，后者是独立公开基准。
• 链接：https://github.com/google-deepmind/open_x_embodiment（成员清单 spreadsheet）

1.3 BridgeData V2

• 规模（已核实，官网原文）：60,096 条轨迹 = 50,365 条遥操作演示 + 9,731 条脚本 rollout；24 个环境、13 项技能。
• 本体/相机（已核实）：WidowX 250 6DoF 低成本臂；VR 遥操作，5Hz，平均 38 步/轨迹；1 个固定过肩 RGBD + 2 个随机位姿 RGB + 1 个腕部 RGB，均 640x480；JPEG 直接下载。
• 格式：原生图像/npz 自研打包；NVIDIA 提供 LeRobot v3 重排版 nvidia/BridgeData2_LeRobot_v3。
• 许可（已核实，官网原文）："All data is provided under the Creative Commons Attribution 4.0 International License"——CC BY 4.0，可商用、可再分发（需署名），是大规模真机数据里许可最干净的之一。
• 获取难度：开放，直链下载。
• 质量口碑：低成本臂+遥操作范式的事实基准，BC/RT-X 类模型标配训练集；规模适中但许可友好度第一梯队。
• 链接：https://rail-berkeley.github.io/bridgedata/ | https://huggingface.co/datasets/nvidia/BridgeData2_LeRobot_v3

1.4 DROID

• 规模：76,000 条轨迹 / 350 小时；86 个任务、564 个场景。
• 本体/相机：Franka Panda；12 个月、50 名采集员、13 家机构、3 大洲分布式采集；3 台 ZED 双目相机（2 外部 + 1 腕部）。
• 格式：TFDS/RLDS + HF 仓库（droid-dataset/droid）；NVIDIA 提供 Cosmos3-DROID 镜像。
• 许可（待核实）：多个第三方索引（TrueLabel 等）称 CC BY 4.0；官方站点 droid-dataset.github.io 在本次抓取中网络失败，未能逐字核对原文。商用前请以官方页/HF 卡为准。
• 获取难度：开放（HF + RLDS）。
• 质量口碑：场景/操作员多样性标杆，DROID benchmark 是 VLA 泛化评测标准之一；因分布式采集，质量方差略大但生态价值高。
• 链接：https://droid-dataset.github.io | https://huggingface.co/datasets/droid-dataset/droid | https://huggingface.co/datasets/nvidia/Cosmos3-DROID

1.5 RoboMIND（北京人形机器人创新中心 X-Humanoid）

• 规模（已核实，HF 数据卡原文）：v1.2 共 107,265 条轨迹（52,926 Franka + 19,152 天工 Tien Kung 人形 + 10,629 AgileX Cobot Magic V2 双臂 + 25,170 UR-5e）；479 个任务、96 个物体类、38 项技能、5 大场景。v1.0 为 55k/279 任务。RoboMIND 2.0 扩至 310k+ 双臂轨迹（arXiv:2512.24653，ModelScope 分发）。
• 本体/相机：四种本体；目录按本体+相机数组织（如 h5_franka_1rgb 等）；已知坑：部分本体图像为 BGR 通道序。
• 格式：HDF5（trajectory.hdf5，含本体状态与动作）；v1.2 增帧级语言标注。
• 许可（已核实）：Apache-2.0，但 HF 上为 gated——需同意使用条款后获取。
• 获取难度：gated（轻审核，同意条款即得）。HF 下载量 200 万+。
• 质量口碑：国内机构数据里许可最规范的开源真机集，RSS 2025；多本体（含人形）是其独特卖点。
• 链接：https://huggingface.co/datasets/x-humanoid-robomind/RoboMIND

1.6 ALOHA / Mobile ALOHA

• 规模：原始 ALOHA（CoRL 2023，Zhao 等）：每任务 50 条演示的仿真+真机小集；Mobile ALOHA：810 条演示（约 1,130+ episodes）、7 个移动操作任务。体量小但复现极广。
• 本体/相机：ALOHA 双臂 14DoF（2x6 关节 + 2 夹爪）；4 相机（1 高位 + 2 腕部 + 可选）；Mobile ALOHA 加移动底盘。LeRobot 官方重排版（已核实 lerobot/aloha_mobile_cabinet：85 episodes、127,500 帧、50fps、cam_high + 左右腕 3 相机、AV1 编码、Parquet v3.0 结构）。
• 格式：原始发布为图像+HDF5（Google Drive）；社区/官方 LeRobot v3 版本为标准入手机型。
• 许可：代码 MIT（tonyzhaozh/act、MarkFzp/act-plus-plus，已核实）；原始数据经 Google Drive 发布、许可未明示；HF 镜像 sumo43/mobile-aloha（111GB）自标 MIT。
• 获取难度：开放（GDrive/HF 镜像，原始链接偶有失效）。
• 质量口碑：双臂模仿学习（ACT、diffusion policy）的标准入门基准；数据规模小，主要价值在范式而非预训练。
• 链接：https://github.com/tonyzhaozh/aloha | https://github.com/MarkFzp/mobile-aloha | https://huggingface.co/datasets/lerobot/aloha_mobile_cabinet

1.7 FMB（Functional Manipulation Benchmark）

• 规模（已核实，官网原文）：22,550 条轨迹，两类任务：单物体多阶段装配（54 种装配物 + 3 种板）与多物体多阶段装配；轨迹时长 20-40 秒（单物体）至 100 秒以上（多物体）。
• 本体/相机：Franka Panda；2 个全局视角 + 2 个腕部视角，每视角 RGB + 深度图。
• 格式：自研打包 + 全部物体 3D 可打印（CAD 公开），可复现工作区。
• 许可（待核实）：官网未明示数据许可，见其 dataset 页与 rail-berkeley/fmb 仓库。
• 获取难度：开放（项目页链接下载）。
• 质量口碑：接触富集、多阶段长时序精细操作的代表集；轨迹被切分为 primitives（grasp、place on fixture、regrasp、rotate、move to board、insert），是动作切片标注的样板。
• 链接：https://functional-manipulation-benchmark.github.io/ | https://github.com/rail-berkeley/fmb

1.8 NVIDIA GR00T N1 数据族（真机+人类视频+合成混合）

• 规模：GR00T N1 模型卡口径约 96 万条 episodes 混合数据（真机遥操作 + 人类视频 + DreamData 合成）。后训练集 nvidia/PhysicalAI-Robotics-GR00T-X-Embodiment-Sim（已核实数据卡）：双臂 9k + 人形桌面 240k + 降采样 24k + 单臂厨房 72k + Unitree G1 102 ≈ 34.5 万条仿真轨迹，按任务名分目录。
• 本体/相机：Franka（单/双臂）、GR1 人形（含腰）、Unitree G1；仿真多相机。
• 格式：LeRobot 兼容格式，HF 直下（huggingface-cli --include 子集下载）；月下载 146.9 万次。
• 许可（待核实）：HF 页未展示许可标签；第三方索引（datasets.bot）称 CC-BY-4.0。NVIDIA docs 有 models-and-datasets 许可清单页，商用前以该清单为准。
• 获取难度：开放。
• 质量口碑：合成数据（DreamData/DreamGen：Cosmos 世界模型从单图+语言生成轨迹）路线的代表；配合 GR00T-Dreams 蓝图可低成本扩充垂域轨迹。
• 链接：https://huggingface.co/datasets/nvidia/PhysicalAI-Robotics-GR00T-X-Embodiment-Sim | https://huggingface.co/nvidia/GR00T-N1-2B

1.9 RoboTwin 2.0（清华+上海AI Lab+SJTU+HKU）

• 规模：50 个双臂任务、147 类 731 个物体（RoboTwin-OD 资产库）、5 种本体、SAPIEN 引擎、10 万+条预采集仿真轨迹。
• 格式：仿真管线开源，HF sdvkasc/robotwin。
• 许可：代码 MIT（已核实 GitHub）。数据集许可随仓库。
• 获取难度：开放。
• 质量口碑：双臂仿真+评测一体化的标杆（1.0 为 CVPR 2025 Highlight，2.0 为 ICML 2026）；合成资产质量高，常被用来做合成预训练+真机微调。
• 链接：https://robotwin-platform.github.io | https://github.com/TianxingChen/RoboTwin

1.10 LIBERO（附带条目，与本项目记忆相关）

• 规模：130 个任务的 lifelong 评测套件（5 个子套件）。
• 许可：第三方对比页称 MIT；但本项目记忆库明确记录过"LIBERO 许可冲突"问题（其资产链依赖 robosuite/MuJoCo 及部分物体资产来源混杂）。商用前必须复核资产链，此条以项目记忆的保留意见为准。
• 链接：https://github.com/Lifelong-Robot-Learning/LIBERO

---

2. 第一人称/人类视频数据集

2.1 EgoSuite-Open100K（光轮智能 Lightwheel，2026-08-21 发布）

• 规模（已核实，官网+HF）：100,000 小时第一人称人体数据；15,000+ 任务、15,000+ 采集场景；7 大环境类（家庭/酒店餐饮/零售/运动/物流仓储/办公/工业）、128 个场景类型、18 个任务大类。
• 产品线（已核实）：EgoStandard 90,000h 头视角（EgoStand 80,000h 含手部 21 关节位姿；EgoStand-body 10,000h 加全身姿态）+ EgoPro（EgoStandard 基础上加腕部相机）；事件级语义三层标注作为免费附加层。
• 采集（已核实）：数万人规模分布式采集队伍；脱敏管线（人脸/车牌模糊 + 人工复核）+ 知情同意流程。
• 格式（已核实）：LeRobot v3 + MCAP 双格式，HuggingFace Hub 可流式加载；经 HF Buckets 分发。
• 许可（已核实，原文）："open for academic research and commercial training"——明确允许商业训练用途；gated 申请（约 2-3 个工作日人工审核）。
• 获取难度：gated（审核制）。
• 质量口碑：目前第一人称具身数据规模与工程化程度的第一名；商用许可明示是其对 Ego4D 的核心差异化。
• 链接：https://lightwheel.ai/media/egosuite-open100k | https://huggingface.co/datasets/LightwheelAI/EgoStandard

2.2 Ego4D（Meta）

• 规模（已核实，官网）：3,670 小时第一人称视频；923 名参与者、74 个地点。TPAMI 2025。
• 格式：自研打包（视频+五感元数据+标注），注册后下载。
• 许可（已核实）：CC BY-NC 4.0——禁商用；需注册同意条款。
• 获取难度：注册 + 审批。
• 质量口碑：egocentric 视觉理解的奠基数据集（引用极高），但许可最严格之一，具身操作公司只能用于研究。
• 链接：https://ego4d-data.org

2.3 EgoDex（NVIDIA，附带条目）

• 规模：829 小时自我中心桌面双手操作，带 3D 手部跟踪标注；CVPR 2025。
• 许可：开源（MIT 口径，第三方）。
• 链接：https://ego-exo4d.github.io/egodex/

2.4 LAPA（Latent Action Pretraining，ICLR 2025）

• 定位（已核实，GitHub）：不是独立数据集，而是"无动作标签视频预训练 VLA"的配方——VQ-VAE 从人类操作视频学习潜在动作（空间 8^4 离散码本），在 OXE 上以潜在动作替代真值动作做大规模预训练，再在少量真机数据上微调；预训练数据效率提升约 30 倍。
• 数据：基于 something-something v2 结构的人类操作视频 + OXE（各自守原许可）。
• 许可（已核实）：代码与权重 MIT。
• 获取难度：开放（代码）；训练数据需自备/守上游许可。
• 质量口碑：CoRL 2024 LangRob Workshop 最佳论文 → ICLR 2025；"人类视频当免费操作数据"路线的代表工作。
• 链接：https://github.com/LatentActionPretraining/LAPA

2.5 DexMV（用户清单中"DexMVC"的实际所指）

• 说明：检索"DexMVC"无结果；对应学术史实为 DexMV（ECCV 2022，Qin 等，NYU/UCSD/PKU）。
• 规模（已核实，项目页）：15 个灵巧手任务（倒水、放置入容器、搬运重定向等，页面含 pour/place inside/relocate 三类主任务族）；人类手部动捕 + 3D 手物位姿估计，重定向到多指机器手（Shadow Hand 等）。
• 格式：dexmv-sim 仿真环境与演示数据开源。
• 许可（待核实）：项目页未明示数据许可。
• 质量口碑：人类视频→灵巧手操作重定向的早期奠基工作；其"人类动捕转机器手演示"管线是垂域灵巧手数据的参考。
• 链接：https://yzqin.github.io/dexmv/ | https://github.com/yzqin/dexmv-sim

---

3. 国内厂商数据集（2025-2026 新发布为主）

3.1 AgiBot World（智元）

• 规模（已核实，HF 数据卡+官网）：全量宣称 100,000+ 轨迹、100 台机器人、300h+；Alpha 子集修订后 36 个任务、595.31h（初版 474.12h）；Beta 宣称 ~1M 轨迹；2026 版（agibot-world.cn）转向 100% 真实商业/家居场景，2000 平方米场地、217 任务、3000+ 物件。
• 本体/相机（已核实）：精灵 G2 移动双臂 + 6DoF 灵巧手 + 视触觉传感器；8 相机 + 深度。
• 格式（已核实）：目录结构 = task_info json（action_config 原子动作切片 + key_frame 关键帧 + 语言指令）/ observations（深度 PNG + 视频）/ parameters（相机内外参标定）/ proprio_stats.h5（纳秒时间戳；state/action 层级：双臂 14DoF + 腰 2DoF + 头 2DoF + 末端 6DoF）；官方提供转 LeRobot v2.0 脚本。
• 许可（已核实，原文）："AgiBot World COMMUNITY LICENSE AGREEMENT"，数据与代码 CC BY-NC-SA 4.0——禁商用、衍生须相同方式共享；gated（需同意条款并留联系方式）。
• 获取难度：gated。HF 月下载 14,244。
• 质量口碑：国产真机数据规模与标注深度第一梯队，采集工程（多本体、灵巧手、视触觉）最完整；但 NC-SA 许可决定了它只能用于研究/生态，不能进商用产品。
• 链接：https://huggingface.co/datasets/agibot-world/AgiBotWorld-Alpha | https://www.agibot-world.cn

3.2 京东 robotdata（京东云具身数据交易平台）

• 定位（已核实，实抓市场页）：不是开源数据集，而是数据交易 marketplace——按"原子任务"粒度上架数据 SKU。实抓样例（2026-04 上架）：「用干布整理纸巾盒表面」78GB、「用小碟子摆放待客糖果」143GB、「用手叠短裤」46GB、「整理辣椒油瓶归位」等，均以家政/家庭服务类目组织，按 GB 定价交易。
• 配套（已核实，新闻口径）：2026-04-17 发布"采、存、标、训、评、仿、测"全链路具身数据基础设施 + 自研超高清采集终端 JoyEgoCam + 具身大模型；另有数据采集中心与开源数据集计划。
• 格式：未公开（交易后交付）。
• 许可：按单交易授权（D 类），无开放许可。
• 获取难度：商业合作/付费。
• 质量口碑：国内"数据即商品"路线的代表，SKU 颗粒度（原子任务+物体+容器+表面）与我们垂域任务设计高度同构，值得持续跟踪其定价与交付格式。
• 链接：https://robotdata.jdcloud.com/market

3.3 银河通用 SynGrasp-1B / GraspVLA

• 规模（已核实）：SynGrasp-1B 十亿帧合成抓取数据，240 个物体类、10,000+ 物体；光线追踪渲染 + 物理仿真 + 域随机化。HF 公开仓 vegebirrd/SynGrasp-1B 实抓：24,099 条视频行、总大小 4.91TB（即公开部分为全量的抽样子集），月下载 209。
• 用途：GraspVLA（arXiv:2505.03233，银河通用+BAAI+北大+港大，2025-05）——全球首个纯合成数据预训练的端到端抓取大模型，真机泛化到透明/反光物体。
• 格式：视频行为主的合成轨迹。
• 许可（待核实）：HF 页无数据卡、无许可标注。
• 获取难度：开放下载（HF）。
• 质量口碑：纯合成预训练路线的国内代表；合成数据绕开真机采集成本与隐私问题，但 sim-to-real 依赖域随机化功底。
• 链接：https://huggingface.co/datasets/vegebirrd/SynGrasp-1B | https://github.com/PKU-EPIC/GraspVLA

3.4 它石智航 WIYH（Wish It Were Human）

• 规模（已核实，HF+官网+arXiv 2512.24310）：1,000+ 小时、100,000+ 条真实人类操作视频、40+ 任务类型、100+ 人类技能；总体量约 36.5TB；2025-12-26 开源，自称全球首个大规模真实 VLTA（Vision-Language-Tactile-Action）数据集。
• 采集（已核实）：Human-centric 范式——自研同步采集套件（RGB + 力触觉 + 手指关节位姿 + 末端轨迹），人类直接执行任务而非遥操作。
• 标注（已核实，HF worldcode JSON 规范）：subtasks（子任务描述+时间戳区间+帧区间）、camera_calibration（逐相机内参/畸变/模型）、frames（逐帧 images、chest_poses、ego_poses、hand_states 手部状态）；标注体系覆盖标定/深度/动作/指令/思维链 CoT/掩码/触觉。
• 格式：worldcode JSON + 图像序列 + HDF5 位姿（自研结构）。
• 许可（待核实）：HF 页未标注许可标签；使用条款在官网 wiyh.tars-ai.com，商用前需联系确认。
• 获取难度：HF 开放下载（tars-robotics/WIYH，月下载 25,411）。
• 质量口碑：触觉+动作+语言的模态完整度全球独一档；2026-03 又发 OmniVTA 世界模型与 OmniViTac 数据集，是国内 human-centric 路线的旗舰。
• 链接：https://huggingface.co/datasets/tars-robotics/WIYH | https://wiyh.tars-ai.com

3.5 LeRobot 社区数据生态（HuggingFace）

• 规模（已核实）：HF 上 1300+ 个 LeRobot 格式数据集；SO-100/SO-101 开源臂数量最多；community_dataset_v3 聚合 791 个数据集、46 种机器人本体。
• 格式（已核实，以 lerobot/aloha_mobile_cabinet 为例）：LeRobotDataset v3.0 = meta/info.json（codebase_version v3.0、robot_type、fps、total_episodes）+ data/chunk-XXX Parquet（observation.state/effort、action、episode_index、timestamp）+ videos/ MP4（AV1/yuv420p、fps 50）；Hub 支持流式加载与 Dataset Viewer。
• 许可：逐仓各自（多数 CC 系列/MIT，质量参差）。
• 质量口碑：草根长尾生态——单仓小，但聚合后覆盖本体广，是新格式事实标准的证据。
• 链接：https://huggingface.co/lerobot | https://github.com/huggingface/lerobot

---

4. 许可友好度 x 规模矩阵

许可等级定义： - A = 标准开放许可（CC BY 4.0 / Apache-2.0 / MIT），可商用、可再分发（CC BY 需署名；再分发不得变更许可） - B = 可用但有条件（gated 审核 / 成员各自许可 / 页面未标注许可，需个案确认） - C = 禁商用（CC BY-NC / NC-SA），只能研究用途，不能进商用产品，NC-SA 还要求衍生同样开放 - D = 纯商业交易（按单授权，无开放许可）

数据集	规模（轨迹/时长）	许可	等级	可商用	可再分发	获取
BridgeData V2	60,096 轨迹	CC BY 4.0（原文核实）	A	是	是（署名）	开放直下
RoboTwin 2.0	100k+ 仿真轨迹	代码 MIT	A	是（代码）	是（代码）	开放
LAPA	配方（用 OXE+SSv2）	代码/权重 MIT	A	是（代码）	是（代码）	开放
RoboMIND	107k 轨迹（2.0: 310k+）	Apache-2.0 + gated	A-	是	是	gated 轻审核
DROID	76k 轨迹 / 350h	CC BY 4.0（第三方口径，待核实）	A-	大概率是	大概率是	开放
ALOHA / Mobile ALOHA	810 演示（Mobile）	代码 MIT；数据未明示	B	代码可	代码可	GDrive/HF
GR00T X-Embodiment Sim	~345k 仿真轨迹	页面未标注（第三方称 CC BY 4.0）	B	待核实	待核实	开放
FMB	22,550 轨迹	未标注	B	待核实	待核实	开放
EgoDex	829h	MIT（第三方）	A-	是	是	开放
OXE 总集	1M+ 轨迹 / 22 本体	伞 Apache+CC-BY，成员各自	B	逐成员核对	逐成员核对	开放
Fractal/RT-1（OXE 成员）	~73.5k 轨迹	随 OXE	B	随 OXE	随 OXE	随 OXE
LIBERO	130 任务	MIT（第三方）+ 资产链冲突记录	B	存疑	存疑	开放
EgoSuite-Open100K	100,000 小时	明示"学术+商业训练可用"+gated	B+	是（训练）	条款内	gated 审核
WIYH（它石智航）	1,000+h / 100k+ 视频 / 36.5TB	HF 未标注，官网条款	B-	待确认	待确认	开放下载
SynGrasp-1B（银河通用）	10 亿帧合成（公开 24,099 条/4.91TB）	无数据卡、未标注	B-	待确认	待确认	开放
AgiBot World（智元）	100k+ 轨迹 / 300h+（Beta ~1M）	CC BY-NC-SA 4.0 + Community License	C	否	否（NC-SA）	gated
Ego4D	3,670h	CC BY-NC 4.0	C	否	否（NC）	注册审批
京东 robotdata	按任务 SKU（单 SKU 46-143GB 级）	按单交易授权	D	付费后是	否	商业合作

矩阵读法： - "规模大且许可友好"的只有 BridgeData V2（60k 轨迹级）与 RoboMIND（Apache-2.0）；上到"十万小时"量级后全部落入 B（gated/未标注）或 C（NC）。 - 光轮 EgoSuite 是唯一在超大规模上明示"商业训练可用"的玩家——它的 gated 审核本质是商业获客漏斗。 - NC 许可（智元/Ego4D）可以安全用于研究与模型选型对照，但绝不可作为商用训练数据来源；同理不可将其转卖或混入交付数据。

---

5. 对智涌飞轮垂域数据业务的可借鉴点

5.1 采集规范（对标五件套）

1. 相机配置共识：学术级 = 1 全局/过肩 + 腕部（Bridge/DROID/ALOHA/FMB 均如此）；厂商级 = 6-8 相机 + 深度 + 视触觉（AgiBot）；第一人称级 = 头 + 腕双相机（光轮 EgoPro）。我们首垂域最低配建议：1 固定全局 + 1 腕部/桌面特写，预留深度位。
2. 标定随包：AgiBot 每条数据带 parameters（相机内外参）；WIYH worldcode JSON 内逐相机 intrinsic/distortion/camera_model。我们每份交付 manifest 应附标定文件与采集几何图——这与本仓"最小投影+签名回执"契约天然契合。
3. 时间戳纪律：AgiBot proprio_stats.h5 用纳秒时间戳做多源对齐；WIYH 逐帧 timestamp + 位姿。多相机/多传感不同步是数据废品的首要原因。
4. 频率与单位显式化：Bridge 标注 5Hz；LeRobot meta/info.json 强制 fps 字段。交付物必须写明控制频率、关节单位、夹爪归一化口径（RoboMIND 的 BGR 坑说明连头部大厂都会踩格式坑）。
5. 脱敏管线：光轮"人脸/车牌模糊 + 人工复核 + 知情同意"是可对标的行业标准动作，与本仓数据安全规则（不入 Git 原始媒体/采集者身份/同意书）形成采集端-仓储端闭环。

5.2 任务设计（SKU 化与三层类目）

1. 原子任务 SKU 化：京东的命名法——「用干布+整理+纸巾盒表面」「用小碟子+摆放+待客糖果」= 工具/动作/物体(+容器/表面) 的组合，直接决定了数据集颗粒度与定价单位。我们首垂域 7 字段的任务定义可按此结构化。
2. 三层类目树：光轮 环境(7)→场景类型(128)→任务大类(18)→任务(15,000+)；Bridge 24 环境/13 技能；RoboMIND 479 任务/38 技能/96 物体类。建议我们的垂域清单采用 场景→任务→原子技能 三层，技能层控制在 10-40 个以便统计与质检。
3. 长轨迹切原子段：FMB 把 20-100 秒轨迹切成 grasp/regrasp/rotate/insert 等原语；AgiBot 用 action_config + key_frame 做同样的事。众包采集按原子段验收，比按整轨迹验收更可控——这直接可用于我们的 QC 规则与结算语义。

5.3 标注体系（最小标注集 + 增值层）

• 最小标注集（每轨迹必备）：语言指令（Bridge/RT-1 逐轨迹，RoboMIND v1.2 到帧级）+ 成功/失败标记 + 关键帧 + 相机标定。
• 增值层一：手部/人体状态——光轮手部 21 关节位姿 + 全身姿态；DexMV 的手物位姿。垂域为手部操作时这是溢价点。
• 增值层二：多模态——WIYH 的力触觉 + CoT（思维链）标注开创了"教机器人为什么这么做"的标注维度。
• 增值层三：事件级语义——光轮的三层事件标注作为"免费附加层"送，实为获客策略；我们可把基础标注打进交付价、高级标注（帧级语言/CoT/触觉）作为可选 SKU。
• 结构借鉴：WIYH 的 worldcode JSON（subtasks 带时间戳+帧双区间、逐帧 hand_states）是可以直接参考的交付 schema。

5.4 许可与合规策略

1. 交付默认商用友好：凡是开放样例/能力展示数据，用 CC BY 4.0 或自定"允许训练"条款（学光轮明示"commercial training"），避免学智元 NC-SA 把商业客户挡在门外。
2. 客户专属数据走交易授权（京东模式）：按单授权 + 禁再分发 + 禁转卖写进条款；我们的 Platform 适配器（manifest/签名/审计）正好承载授权与溯源。
3. 训练侧合规红线：商用模型训练数据白名单只收 A/A- 级（Bridge、RoboMIND、DROID 核实后、EgoSuite 条款内）；AgiBot/Ego4D 只做研究对照；OXE 成员逐个核对 spreadsheet 后才可用。
4. gated 机制即商务漏斗：AgiBot（同意+联系方式）、RoboMIND（同意条款）、光轮（2-3 天审核）都把"开放下载"改造成"留资+条款确认"。我们发布垂域样例集时可复用此模式。

5.5 格式选择

• 主格式 LeRobotDataset v3.0（Parquet+MP4/AV1、Hub 可流式、社区 1300+ 数据集生态）；工程侧附 MCAP 双发（光轮范式）。
• 本体状态/触觉等低维时序可 HDF5（AgiBot/ALOHA 惯例），但需在 manifest 写明层级与单位。
• 交付附转换脚本（AgiBot 提供→LeRobot 转换、NVIDIA 提供 BridgeData2→LeRobot v3 重排版），降低客户接入成本即降低交付摩擦。

---

6. 待核实清单（下一轮收口项）

1. DROID 官方许可原文（droid-dataset.github.io 本次抓取网络失败；HF droid-dataset/droid 数据卡需复核）。
2. GR00T 系数据集许可（以 NVIDIA docs 的 models-and-datasets 许可清单为准）。
3. WIYH 使用条款原文（官网 wiyh.tars-ai.com）。
4. SynGrasp-1B 全量发布口径与许可（HF 公开仓仅 24,099/4.91TB 且无卡）。
5. FMB、DexMV 数据许可原文。
6. LIBERO 资产链许可冲突的最终结论（项目记忆已有记录，商用前必查）。

7. 主要来源索引

• OXE：https://github.com/google-deepmind/open_x_embodiment 、https://robotics-transformer-x.github.io
• BridgeData V2：https://rail-berkeley.github.io/bridgedata/
• DROID：https://droid-dataset.github.io
• RoboMIND：https://huggingface.co/datasets/x-humanoid-robomind/RoboMIND
• AgiBot World：https://huggingface.co/datasets/agibot-world/AgiBotWorld-Alpha 、https://www.agibot-world.cn
• ALOHA/Mobile ALOHA：https://github.com/tonyzhaozh/aloha 、https://github.com/MarkFzp/mobile-aloha 、https://huggingface.co/datasets/lerobot/aloha_mobile_cabinet
• FMB：https://functional-manipulation-benchmark.github.io/
• GR00T：https://huggingface.co/datasets/nvidia/PhysicalAI-Robotics-GR00T-X-Embodiment-Sim
• RoboTwin 2.0：https://robotwin-platform.github.io
• EgoSuite-Open100K：https://lightwheel.ai/media/egosuite-open100k 、https://huggingface.co/datasets/LightwheelAI/EgoStandard
• Ego4D：https://ego4d-data.org
• LAPA：https://github.com/LatentActionPretraining/LAPA
• DexMV：https://yzqin.github.io/dexmv/
• WIYH：https://huggingface.co/datasets/tars-robotics/WIYH 、https://wiyh.tars-ai.com
• SynGrasp-1B：https://huggingface.co/datasets/vegebirrd/SynGrasp-1B
• 京东 robotdata：https://robotdata.jdcloud.com/market
• LeRobot：https://github.com/huggingface/lerobot