Efterhånden som robotforskning bevæger sig ud over kontrollerede laboratorieindstillinger og ind i virkelige-miljøer, er efterspørgslen efter stor-data i høj-kvalitet blevet stadig mere kritisk ifølge AGIBOT. Virksomheden har i dag frigivet AGIBOT WORLD 2026, et open-heterogent datasæt, som det sagde, er designet til systematisk at understøtte fem centrale forskningsveje inden for embodied intelligens.
"Datasættet indeholder strukturerede,-kvalitets og præcist kommenterede robotdata fra den virkelige-verden, hvilket giver udviklere og forskere et robust grundlag for at træne næste-generations indlejrede AI-systemer," sagde AGIBOT.
AGIBOT WORLD følger gratis-dataindsamlingsstrategi-
AGIBOT WORLD 2026 spænder over en bred vifte af virkelige-miljøer, herunder kommercielle rum, hjem og hverdagsscenarier. AGIBOT sagde, at dette fanger kompleksiteten, variabiliteten og uforudsigeligheden, som robotter skal håndtere i praksis.
I modsætning til konventionelle datasæt bygget på gentagne og scriptede demonstrationer, har den Shanghai-baserede virksomhed valgt fri-form data-indsamlingstilgang, hvor teleoperatører dynamisk udfører opgaver baseret på real-tidsforhold.
Den hævdede, at denne strategi markant kan øge diversiteten inden for hver episode og forbedre generaliseringen på tværs af flere dimensioner, herunder objektkategorier, indledende konfigurationer og opgaveudførelsessekvenser. AGIBOT sagde, at dens robot bruger en fleksibel hjulbase, leddelte hoved- og taljebevægelser og løfte-pitch-funktioner til effektiv, naturlig og yderst overførbar dataindsamling.
Sideløbende konstruerer AGIBOT 1:1 digitale tvillingemiljøer i simulering med alle tilsvarende simuleringsdata frigivet sammen med det virkelige-verdensdatasæt
Innovationer bygger bro mellem data, ægte robotadfærd
"Et grundlæggende spørgsmål i indlejret AI er tilbage: Afspejler dataene virkelig, hvordan en robot fungerer som et integreret system?" bemærkede AGIBOT. For at løse dette har virksomheden introduceret flere funktioner:
Hele-kropskontrol (WBC):Dette muliggør koordineret kontrol af arme, talje og hænder, hvilket giver robotter mulighed for at udføre opgaver mere flydende som et samlet system i stedet for gennem isolerede bevægelser.
Første-person uden for-visuel-rækkevidde teleoperation:Robottens opfattelse er på linje med operatørens, hvilket muliggør mere intuitiv, kontinuerlig og overførbar kontrol.
Tving-kontrolleret dataindsamling:AGIBOT sagde, at det har inkorporeret kontaktdynamik og kraftfeedback, der ikke kun fanger bevægelsesbaner, men også reelle fysiske interaktioner.
"Tilsammen sikrer disse funktioner, at datasættet mere nøjagtigt repræsenterer den virkelige- robotadfærd," hævdede virksomheden.
Industriel-hardware leverer datapipelinen
AGIBOT forklarede, at datasættet er indsamlet på dets G2-hardwareplatform, som integrerer høj-ledaktuatorer, multi-modale sensorer og en høj-domænecontroller for at understøtte præcis kraftkontrol og skalerbar udvikling.
Udstyret med Zhixing 90D-gribere og den behændige OmniHand optager G2 synkroniserede multi-modale data-inklusive RGB(D), taktile signaler, lidar-punktskyer, IMU-data og fuld-kropsledtilstande-i en samlet rørledning.
AGIBOT tilføjede, at hver dataepisode gennemgår omhyggelig rensning og validering gennem dets "industrielle-kvalitets" data-behandlingssystem, hvilket sikrer parathed til stor-modeltræning og forskningsapplikationer.
Fase 1-udgivelse: Imitationslæring
Virksomheden sagde, at det planlægger at frigive AGIBOT WORLD 2026 i fem faser, hver i overensstemmelse med en kerneforskningsretning inden for indlejret intelligens.
Den første udgivelse fokuserer på imitationslæring, et nøgleparadigme, der gør det muligt for robotter at tilegne sig komplekse fysiske færdigheder fra ekspertdemonstrationer. Denne fase omfatter hundredvis af timers virkelige-data indsamlet primært i kommercielle og servicemiljøer. Datasættet kombinerer:
Opgave-niveaubeskrivelser (segment-niveauinstruktioner)
Handlingssekvenser (trin-for-udførelse)
Atomiske færdighedsetiketter (f.eks. pull, place)
Objektannoteringer (2D-afgrænsningsfelter og attributter såsom navn og farve)
"Vigtigt er det, at-fejlgendannelsesbaner også bevares og kommenteres," sagde AGIBOT. "Denne hierarkiske annoteringsramme-spænder fra opgaver på højt-niveau til handlinger på lavt-niveau-giver den pålidelighed og korrigerende forudsætninger, der er nødvendige for at træne mere robuste og adaptive embodied agents."
AGIBOT WORLD er en del af en langsigtet-forpligtelse til indbygget AI-økosystem
AGIBOT sagde, at det er blandt en lille gruppe af startups, der tager en lang-, infrastrukturdrevet-tilgang til indlejret intelligens.
Virksomheden har tidligt erkendt, at høj-kvalitetsdata er grundlaget for at frigøre den næste generation af robotfunktioner, og virksomheden har konsekvent åbnet-million-skala virkelige-datasæt og simuleringsdatasæt.
AGIBOT sagde, at denne indsats afspejler dets bredere mål inden for indlejret intelligens: at demokratisere adgangen til robotdata af høj-kvalitet. Gennem den fortsatte udvikling af AGIBOT WORLD-økosystemet sigter virksomheden mod at bidrage til det globale robotsamfund og fremskynde overgangen af indlejret AI fra forskningslaboratorier til applikationer i den virkelige-verden.