RoVid-X est un ensemble de données de génération de vidéos robotiques publié en 2026 par l'Université de Pékin en collaboration avec ByteDance Seed. L'article de recherche associé est le suivant : Repenser le modèle de génération vidéo pour le monde incarnéIl vise à résoudre les problèmes physiques rencontrés par les modèles de génération vidéo lors de la création de vidéos de robots.

Cet ensemble de données contient environ 4 millions de clips vidéo de robots, totalisant plus de 10 000 heures et couvrant plus de 1 300 compétences robotiques détaillées. Les vidéos fournissent des annotations physiques multimodales, incluant des informations RGB, de profondeur et de flux optique, permettant de représenter la diversité des robots et des tâches, et couvrant différents types de robots, scénarios et capacités de mouvement.

Composition de l'ensemble de données:

• 4 000 000 de clips vidéo de robots
• Annotation physique multimodale (RGB, profondeur, flux optique)
• Plus de 1 300 compétences robotiques pointues