作者：默思編輯部 發布：2026-06-21
機器人領域長期面臨一個實務困境：不同廠商的機器手臂、不同的感測器配置、不同的關節自由度，彼此的控制資料格式完全不同，導致每一種機型幾乎都要從零開始收集自己的訓練資料。Open X-Embodiment（簡稱 OXE）這個資料集的核心設計理念，就是要解決這個「跨機型資料無法共用」的問題。
OXE 是一個彙整型的大規模資料集，整合了來自 22 種不同機器人平台的示範資料，由 21 個研究機構貢獻,涵蓋 527 種不同的操作技能，標準化整理成超過 100 萬筆軌跡（trajectory）資料，是目前開放取得的機器人操作資料集中規模最大的一個。
OXE 最重要的技術意義,在於它作為預訓練資料集（pretraining substrate）的角色——像 RT-1-X、RT-2-X、OpenVLA 這類目前具代表性的機器人控制模型,都是以 OXE 作為預訓練資料基礎。以 Transformer 架構為基礎的模型（如 RT-X、Octo），透過在 OXE 這種跨機型資料集上進行預訓練,能夠具備零樣本（zero-shot）或少樣本（few-shot）遷移能力——也就是說,模型即使沒有針對某個特定新機型或新任務訓練過,也能有一定程度的表現,這正是「通用機器人策略」這個研究方向的核心假設。
目前開放的機器人學習資料集中,OXE 與 DROID 分居設計光譜的兩端:OXE 是一個聯邦式的巨型語料庫,彙集了 33 個研究機構、22 種機型的資料;DROID 則是單一機型、單一標準流程的資料集,完全採用 Franka Panda 機械手臂在數百個真實場景中收集。兩者各有優勢——OXE 提供跨機型的多樣性，DROID 則提供單一機型下更一致、更乾淨的資料品質。
對於想投入機器人學習研究、或想理解 VLA 模型訓練資料基礎的開發者而言,OXE 跟 DROID 是目前最容易取得、也最具代表性的兩個公開資料集——理解它們的設計邏輯差異,有助於判斷一個機器人基礎模型論文所宣稱的「跨機型泛化能力」,實際上是建立在什麼樣的資料基礎之上。