RoboSpatial은 로봇의 공간 이해를 위한 대규모 데이터셋이다. 기존의 영상-언어 모델은 일반적인 이미지 데이터셋으로 학습되어 공간 추론에 어려움을 겪는데, RoboSpatial은 실내 및 테이블탑 환경의 3D 스캔과 egocentric 이미지 1M장, 3D 스캔 5k개, 그리고 3M개의 주석이 달린 공간 관계 정보를 포함한다. 2D egocentric 이미지와 3D 스캔의 페어링을 통해 2D 및 3D 모두 사용 가능하며, 공간적 affordance 예측, 공간 관계 예측, 로봇 조작과 같은 downstream task에서 기존 모델보다 성능이 우수함을 실험적으로 보여준다.