A era dos dados de robôs «Três Pés de Apoio» chegou, a fragmentação tornou-se coisa do passado

A fase de crescimento selvagem dos dados de aprendizagem de robôs terminou.

A era em que conjuntos de dados estavam por toda parte e cada um seguia seu próprio caminho já passou. Até meados de 2025, todo o ecossistema de robótica de código aberto já estabeleceu uma configuração clara de «três patas» — Open X-Embodiment (OXE), LeRobot e InternData-A1 — que definem os principais benchmarks atuais para modelos básicos de robótica, enquanto a maioria dos conjuntos de dados únicos anteriores a 2023 já perdeu competitividade.

De disperso a unificado: isto não é coincidência

Ao observar a evolução dos conjuntos de dados de robótica no Hugging Face Hub, fica claro que toda a indústria está passando de coleções fragmentadas voltadas para instituições para um modelo unificado em larga escala, padronizado e impulsionado pela comunidade.

Essa mudança não é por acaso, nem resultado de uma imposição externa. Fundamentalmente, treinar estratégias de robótica geral requer escala e padronização; e, do ponto de vista do ecossistema, projetos bem apoiados e compatíveis com os principais frameworks naturalmente atraem mais desenvolvedores.

As três grandes ecologias mostram suas forças

OXE: o momento ImageNet do campo da robótica

Open X-Embodiment é uma colaboração de 34 laboratórios de robótica líderes, lançada no final de 2023. Não é um único conjunto de dados, mas uma grande integração de mais de 60 conjuntos existentes sob uma arquitetura unificada.

Números que falam:

• Mais de 1 milhão de trajetórias do mundo real
• 22 tipos diferentes de formas de robôs (de braços industriais a robôs quadrúpedes e móveis)
• Todos os dados convertidos para o formato padrão RLDS, baseado em TensorFlow e Apache Arrow

A mensagem principal é direta — operações simples já se tornaram commodities. tarefas básicas como pegar e colocar, abrir gavetas, montar com um braço único já estão «resolvidas» na camada de dados. Isso significa que a era de ganhar dinheiro vendendo dados de operações remotas básicas acabou de vez. O valor comercial futuro está em dados de alta precisão de especialistas, operações de longo prazo em ambientes domésticos reais, ou em dados de formas escassas e específicas (humanóides, soft bodies).

LeRobot: a resposta padrão do ecossistema PyTorch

Ao contrário da linha de pesquisa representada pelo OXE, que segue o caminho do Google/TensorFlow, o LeRobot da Hugging Face rapidamente se tornou o padrão de fato para a comunidade de código aberto — especialmente para entusiastas do PyTorch.

O diferencial desse ecossistema é o stack completo: conjunto de dados + modelos + código de treinamento + ferramentas de avaliação.

Vale destacar a inovação no armazenamento: o LeRobot Dataset v3.0 usa Apache Parquet + MP4/AV1 comprimido, com eficiência de armazenamento 5-10 vezes maior do que antes, além de melhorias significativas na velocidade de carregamento.

Conjuntos de dados principais incluem:

• DROID 1.0.1: cerca de 76.000 conjuntos de dados de mais de 50 equipes, coletados deliberadamente em «ambientes ao ar livre», garantindo maior refletividade das condições reais
• Série Aloha: dados de braços duplos de alta precisão e braços móveis duplos

A lição prática é que o padrão de entrega de dados mudou definitivamente para Parquet + MP4. Qualquer fornecedor comercial que ainda use pacotes ROS ou vídeos brutos está, na prática, sobrecarregando seus clientes com uma complexidade técnica desnecessária.

A «revanche» dos dados sintéticos: InternData-A1

A terceira força vem de dados sintéticos de alta fidelidade em grande escala. O InternData-A1 do laboratório de IA de Xangai representa o avanço mais recente nessa direção:

• Escala: 630.000 trajetórias, o que equivale a 7.433 horas de trabalho de robô
• Diversidade física: não apenas objetos rígidos, mas também objetos articulados, fluidos, partículas e materiais deformáveis (tecidos, cordas etc.)
• Stack tecnológico: motores físicos avançados + randomização de domínio + renderização realista + geração automática de cursos

A lacuna na realidade: o limite dos dados sintéticos

Porém, há um ponto de virada importante — embora os dados sintéticos estejam avançando, eles não são onipotentes.

Uma pesquisa abrangente de outubro de 2025 revelou que, apesar dos avanços na engenharia, as diferenças centrais entre simulação e realidade ainda não foram eliminadas, apenas comprimidas em áreas mais estreitas, mas ainda críticas.

Principais desafios incluem:

Diferenças de dinâmica: mesmo os melhores motores físicos de 2025 têm dificuldades com fenômenos caóticos, objetos deformáveis, cascas finas (como padrões de curvatura e pregas em tecidos) e erros de integração numérica acumulados. Estratégias que funcionam bem na simulação podem falhar em tarefas de contato intenso no mundo real.

Diferenças de percepção e sensores: embora a renderização sintética tenha atingido realismo fotográfico, ainda há artefatos sistemáticos — modelos de defeitos de câmeras reais, falta de dispersão subsuperficial, halos, poeira etc.

Diferenças de controle de execução: robôs reais têm controladores ocultos que se desviam ao longo do tempo, exigindo ajustes finos para cada unidade.

Diferenças ambientais do sistema: controladores de segurança, latência de comunicação, conformidade do piso não modelada — tudo isso é difícil de reproduzir com precisão na simulação.

Dados mostram que os modelos básicos atuais (RT-2-X, Octo etc.) ao serem transferidos da simulação para robôs reais, têm uma taxa de sucesso que geralmente cai entre 40-80%, apresentando desempenho pior em tarefas com objetos deformáveis, contato intenso e de longo prazo.

Na prática, os dados reais ainda não foram substituídos

Apesar de avanços com randomização de domínio em larga escala, modelagem residual, treinamento híbrido (90-99% sintético + 1-10% real), a linha de fundo de 2025 é que a transferência de zero imagens de simulação ainda é limitada a tarefas de rigidez moderada e ambientes controlados.

Para aplicações envolvendo objetos deformáveis, fluidos, montagem de alta precisão ou operações domésticas não estruturadas, os dados do mundo real — especialmente demonstrações de alta qualidade de especialistas — continuam tendo um valor insubstituível.

O que isso significa para os fornecedores de dados? As oportunidades comerciais de 2026-2028 estão naquelas soluções híbridas que combinam grandes volumes de dados sintéticos com trajetórias reais selecionadas, especialmente em áreas de maior dificuldade (tecidos, líquidos, cenários caóticos, raciocínio em múltiplos passos). Dados puramente sintéticos, no futuro próximo, não serão suficientes para suportar implantação em produção.

Epílogo: de «qual conjunto de dados» para «como fazer a mistura»

A convergência de OXE, LeRobot e InternData-A1 marca o verdadeiro fim da era de fragmentação dos dados de aprendizagem de robôs. Entramos na fase do «pós-conjunto de dados», onde as questões centrais não são mais «qual conjunto usar», mas sim:

• Como misturar de forma mais eficiente dados reais, sintéticos e destilados?
• Como projetar metadados que sobrevivam ao destilamento do modelo?
• Quais fenômenos físicos e de forma corporal ainda representam gargalos críticos?

Nos próximos 2-3 anos, os vencedores serão aqueles capazes de produzir dados de alta qualidade, que atendam aos requisitos de padronização, e que mantenham vantagem na coleta de dados reais em áreas de dificuldade crescente.