AgiBot World 全解析：从百万轨迹到 GO-1 的具身智能数据生态

技术报告：

https://arxiv.org/abs/2503.06669

代码地址：

https://github.com/OpenDriveLab/AgiBot-World

AgiBotWorld-Beta：

https://huggingface.co/datasets/agibot-world/AgiBotWorld-Beta

AgiBotDigitalWorld：

https://huggingface.co/datasets/agibot-world/AgiBotDigitalWorld

AgiBotWorld2026：

https://huggingface.co/datasets/agibot-world/AgiBotWorld2026

AgiBotWorldChallenge-2026：

https://huggingface.co/datasets/agibot-world/AgiBotWorldChallenge-2026

为什么是 AgiBot World

过去十年，计算机视觉的腾飞很大程度上要归功于 ImageNet 那样规模化、标准化、可复用的数据集。而具身智能（Embodied AI）长期受困于一个尴尬现实：高质量、真实世界、多本体的机器人操作数据极度稀缺，且分散在各家实验室、难以复用。

AgiBot World 的目标正是为机器人操作领域提供这样一个「ImageNet 时刻」的基础设施。它的官方定位是一个 全栈式大规模机器人学习平台（AgiBot World Colosseo），不只是数据集，而是「数据集 + 基础模型 + 基准测试 + 工具生态」的组合拳，意在把高质量机器人数据的获取门槛降下来，同时服务学术界与产业界。

这套工作并非默默无闻：相关技术报告获得了 IROS 2025 最佳论文奖入围（Best Paper Award Finalist），并被 IEEE TRO 2026 收录，GitHub 仓库已积累约 3k stars。

整套生态的开源构件大致可分为四类：

• 数据集：AgiBot World Alpha / Beta，以及面向新本体的 AgiBot World 2026，加上竞赛专用的 Challenge 2026 数据集

• 基础模型：GO-1 与轻量版 GO-1 Air，两个在 AgiBot World 上预训练的机器人 VLA（Vision-Language-Action）模型

• 基准与挑战赛：2025、2026 两届 AgiBot World Challenge

• 工具链：基于 HuggingFace LeRobot 生态的下载、格式转换、可视化、训练与部署脚本

AgiBot World Beta：

百万级轨迹的「主力军」

Beta 是目前规模最大的完整数据集，也是整套生态的基石。它的核心特征值得逐条拆解：

• 超过 100 万条轨迹，由 100 台机器人采集，总时长达 2976.4 小时

• 100+ 个真实世界 1:1 复刻场景，覆盖 5 个目标领域

• 前沿硬件：视觉触觉传感器、6 自由度灵巧手、移动双臂机器人

• 200+ 种任务类型，涵盖接触密集型操作（contact-rich manipulation）、长程规划（long-horizon planning）、多机器人协作（multi-robot collaboration）

• 87 类原子技能（Atomic Skills），例如系扎（Tie）、开罐（OpenJar）、削皮（Peel）、清扫（Sweep）等

Alpha 则是从 Beta 中精选出的子集（约 92,214 条轨迹、~8.5T），适合算力有限、想先跑通流程的团队。两者关系类似「全量 vs. 精选」，研究入门可以从 Alpha 起步。

AgiBot World 2026：

从「规模」转向「真实 + 深度标注」

如果说 Beta 解决的是「有没有足够多的数据」，那 2026 版解决的是「数据够不够真实、标注够不够深」。它的几个根本性变化：

1. 100% 真实世界采集：覆盖商业空间、家庭等通用场景，强调真实性而非仿真补量。

2. 全新 AGIBOT G2 本体：通过 自由形式采集模式（free-form collection） 获取数据。

3. 数字孪生 + 仿真同步开源：用数字孪生技术在仿真环境中 1:1 复刻采集场景，对应仿真数据在 GenieSim 项目中一并开源，这意味着同一场景天然具备「真实—仿真」配对，对 Sim2Real 研究是极好的素材。

4. 拥抱标准 LeRobot v2.1 格式：相比 Beta 的自定义结构，2026 版直接采用社区主流格式，开箱即可接入现有训练流水线。

GO-1 与 GO-1 Air：

在数据之上长出来的基础模型

光有数据还不够，AgiBot World 把它「跑通」的方式是开源了在该数据集上预训练的机器人基础模型：

• GO-1：完整版 VLA 模型，含 Latent Planner（隐式规划器）

• GO-1 Air：去掉 Latent Planner 的轻量高性能版本

总结

数据、模型、基准、工具四位一体，且全部开源，这正是 AgiBot World 想推动的事：让高质量机器人数据不再是少数机构的专利。