---
title: droid-atomic-actions
canonical_url: "https://www.modelscope.cn/datasets/GemingOne/droid-atomic-actions"
md_url: "https://www.modelscope.cn/datasets/GemingOne/droid-atomic-actions.md"
repository: GemingOne/droid-atomic-actions
last_updated: 2026-07-22
license: cc-by-4.0
storage_size: "93 GB"
downloads: 2346031
stars: 0
---

# droid-atomic-actions

> droid-atomic-actions - GemingOne 在 ModelScope 开源的数据集。DROID Atomic Actions — 原子动作标注（动词+名词，588,151 段）

GemingOne/droid-atomic-actions 是 ModelScope 魔搭社区上的数据集，存储大小 93 GB，采用 cc-by-4.0 许可。

- **Repository**: GemingOne/droid-atomic-actions
- **License**: cc-by-4.0
- **Storage size**: 93 GB
- **Downloads**: 2346031
- **Stars**: 0
- **Last updated**: 2026-07-22

Source: https://www.modelscope.cn/datasets/GemingOne/droid-atomic-actions

---

# DROID Atomic Actions — 原子动作标注（动词+名词，588,151 段）

对 **DROID**（r2d2_faceblur 源）的全量细粒度原子动作标注：把 94,030 条机器人操作轨迹
按夹爪开合事件 + 末端执行器减速边界切分为 **588,151 个原子段**，每段标注一个
`动词 + 名词` 标签（封闭 27 词表），如 `pick cup`、`open drawer`、`approach knob`。

标注体系参照 Qwen-RobotManip（arXiv 2606.17846）的原子动作 taxonomy 并做了两项扩展：
移动类拆成 approach/pick/move/place 四相；引入邻段上下文帧消歧 approach 的宾语。

## 目录结构

```
annotations/
  labels.jsonl        # 588,151 条标注（每段一条）
  segments.jsonl      # 段定义：时间区间、切分信号、上下文元数据
meta/
  tasks.jsonl         # task_index -> 任务语言描述（31,306 条）
source/               # （可选镜像）LeRobot v2.1 格式源数据集
  vla-lerobot-v2.1-94030-fps10/{meta,data,videos}
```

## 对应关系（labels ↔ 源数据）

`seg_id` 形如 `droid/ep{E:06d}#s{K:02d}`，其中 **E = LeRobot episode_index**：

| 要找 | 位置 |
|---|---|
| 低维数据（state/action） | `source/.../data/chunk-{E//1000:03d}/episode_{E:06d}.parquet` |
| 三路相机视频 | `source/.../videos/chunk-{E//1000:03d}/{video_key}/episode_{E:06d}.mp4` |
| 段的帧范围 | segments.jsonl 的 `[step_start, step_end)`（10fps；parquet 第 i 行 ≙ 视频第 i 帧，严格 1:1） |
| 任务语言 | segments.jsonl 的 `task_index` → `meta/tasks.jsonl` |

三个 `video_key`：`observation.images.observation.images.{exterior_image_1_left,
exterior_image_2_left, wrist_image_left}`（320×180 @10fps）。

## labels.jsonl 字段

```json
{"seg_id": "droid/ep000004#s01",
 "label": {"verb": "pick", "object": "block", "verb_type": "pick", "confidence": "high"},
 "model": "gpt-5.6-luna", "prompt_version": "2e05fa7e", "ts": 1784460000,
 "usage": {"in": 5489, "out": 156, "cached": 3840}}
```

- `verb == verb_type`，取值严格限于下方 27 词表；`object` 为单个小写英文名词。
- `confidence`：high 79.9% / medium 19.9% / low 0.2%。

## segments.jsonl 字段

`seg_id, episode_id, seg_index, n_segments, step_start, step_end, n_steps_ep,
gripper_state(open|closed), end_event(close|open|null), phase(travel|terminal|null),
instruction, task_index, frame_steps, frames`。

- 切分规则：夹爪从开到合 = 一次抓取相位结束；从合到开 = 一次放置相位结束；
  在每个夹爪相位内再用 EEF 速度的"行进/减速"边界拆出 travel/terminal 子段
  （对应 approach|pick 与 move|place）。
- `frames` 里的路径是构建机的本地产物，公开数据中请忽略；采样规则为段内
  0/33/67/100% 四个时刻（`frame_steps` 给出确切帧号），可据此从源视频重建。

## 27 类封闭动词表

移动四相：`approach pick move place`；操作类：`flip rotate toggle open close push
pull insert press click strike`；人手/装配扩展：`attach detach pour wipe stir fold
unfold braid unbraid`；特殊：`handover retract none`。

分布（top）：pick 136,804 / approach 125,674 / place 116,135 / move 105,415 /
retract 75,037 / open 5,991 / close 4,329 / push 3,766 / insert 3,066 / rotate 2,230 …

## 标注方法

- 标注模型：gpt-5.6-luna（多模态），每段输入段内 4 时刻 × 3 视角帧 + 前段末时刻、
  后段首末时刻的上下文帧（共 ≤18 帧）+ 夹爪/速度机械提示。
- 关键约束：`approach X` 仅当后续上下文中手爪真正接触 X 才成立；宾语必须是被交互
  物体，禁止旁观物体；无交互段标 retract/none。
- 输出经封闭词表校验 + 失败自动修复重试；全部 588,151 段零失败。

## 许可与致谢

- 标注（annotations/）：CC-BY-4.0。
- 源数据：DROID（CC-BY-4.0），引用 Khazatsky et al., *DROID: A Large-Scale
  In-The-Wild Robot Manipulation Dataset*, 2024。本仓库中的 source/ 为其
  r2d2_faceblur 变体的 LeRobot v2.1 格式导出（坐标映射至 droid_single_arm_left，
  重采样 10fps）。
- 动词体系参照：Qwen-RobotManip Technical Report, arXiv 2606.17846。