gpriess/bi-yam-right-only-test-1

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "bi_yam_follower",
"total_episodes": 51,
"total_frames": 32466,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:51"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"shape": [
14
]
},
"observation.state": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"shape": [
14
]
},
"observation.images.top_right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.wrist_right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

---
许可证：Apache-2.0
任务类别：
- 机器人学
标签：
- LeRobot
配置项：
- 配置名称：default
数据文件：data/*/*.parquet
---

本数据集基于LeRobot项目构建。

## 数据集描述

- **主页**：[需补充更多信息]
- **论文**：[需补充更多信息]
- **许可证**：Apache-2.0

## 数据集结构

`meta/info.json`：
json
{
"代码库版本": "v3.0",
"机器人类型": "bi_yam_follower",
"总轨迹数": 51,
"总帧数": 32466,
"总任务数": 1,
"分块大小": 1000,
"数据文件总大小（MB）": 100,
"视频文件总大小（MB）": 200,
"帧率": 30,
"数据集划分": {
"训练集": "0:51"
},
"数据文件路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"视频文件路径格式": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"数据特征": {
"动作": {
"数据类型": "float32",
"特征名称": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"形状": [14]
},
"观测状态": {
"数据类型": "float32",
"特征名称": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"形状": [14]
},
"观测图像-右上视角": {
"数据类型": "video",
"形状": [480, 640, 3],
"维度名称": ["高度", "宽度", "通道数"],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"像素格式": "yuv420p",
"非深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"无音频": false
}
},
"观测图像-右腕视角": {
"数据类型": "video",
"形状": [480, 640, 3],
"维度名称": ["高度", "宽度", "通道数"],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"像素格式": "yuv420p",
"非深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"无音频": false
}
},
"时间戳": {
"数据类型": "float32",
"形状": [1],
"特征名称": null
},
"帧索引": {
"数据类型": "int64",
"形状": [1],
"特征名称": null
},
"轨迹索引": {
"数据类型": "int64",
"形状": [1],
"特征名称": null
},
"全局索引": {
"数据类型": "int64",
"形状": [1],
"特征名称": null
},
"任务索引": {
"数据类型": "int64",
"形状": [1],
"特征名称": null
}
}
}

## 引用

**BibTeX 格式引用**：

bibtex
[需补充更多信息]

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集对于模型训练至关重要。bi-yam-right-only-test-1数据集依托LeRobot框架构建，通过双雅马哈跟随机器人系统采集实际交互数据。该数据集包含51个完整任务片段，总计32466帧，以30帧每秒的速率记录，数据以分块Parquet文件形式存储，每块约1000帧，确保了高效的数据管理与访问。构建过程中同步录制了机器人关节位置、夹爪状态以及来自顶部右侧和腕部右侧摄像头的视觉信息，形成了多模态观测与动作的对应序列。

特点

该数据集的核心特点在于其专为双臂机器人设计，聚焦于右侧机械臂的操控任务。数据维度丰富，动作空间涵盖14个自由度，包括左右各6个关节及夹爪的位置控制；观测空间则整合了相同的14维状态信息与双视角视觉输入，图像分辨率为640x480，采用AV1编码压缩。数据集结构清晰，通过帧索引、片段索引等元数据支持时序分析，且所有数据均以标准化格式组织，便于直接用于强化学习或模仿学习算法的训练与验证。

使用方法

为有效利用该数据集，研究者可通过HuggingFace平台加载，并依据LeRobot提供的工具链进行预处理。数据按训练集划分，涵盖全部51个片段，可直接用于端到端策略学习。典型使用流程包括：解析Parquet文件以获取动作、观测及时间戳序列；同时加载对应的MP4视频文件以获取视觉上下文。由于数据集包含精确的机器人状态与同步图像，它适用于行为克隆、逆动力学模型训练或作为仿真环境的基准数据，推动双臂协调操控研究的发展。

背景与挑战

背景概述

在机器人学习领域，模仿学习与强化学习的研究亟需高质量、结构化的真实世界交互数据。bi-yam-right-only-test-1数据集由LeRobot项目团队构建，旨在为双臂机器人（特别是Yamaha机器人跟随器）的操控任务提供基准数据。该数据集收录了51个完整交互片段，包含超过三万帧的同步关节状态、末端执行器动作及多视角视觉观测，其结构化特征设计为机器人策略学习与状态估计模型的训练与验证提供了关键资源。尽管具体创建时间与核心论文信息暂未公开，但其依托的开源框架LeRobot体现了社区推动机器人学习数据标准化与共享的重要努力。

当前挑战

该数据集致力于解决双臂机器人协同操作中的模仿学习与策略泛化问题，其核心挑战在于如何从高维异构传感器数据（如多路视频流与连续关节状态）中提取鲁棒且可迁移的动作表示。构建过程中的挑战则体现在数据采集的同步性与一致性保障上，需确保多模态信号（如腕部与顶部摄像头图像、14维关节位置）在时间戳上精确对齐，同时处理大规模视频数据的压缩、存储与高效读取，以平衡数据保真度与存储开销。此外，在有限任务场景（仅1个任务）下实现策略的广泛泛化，亦对数据集的多样性与任务复杂性提出了更高要求。

常用场景

经典使用场景

在机器人学领域，bi-yam-right-only-test-1数据集为双臂机器人控制研究提供了关键支持。该数据集通过记录机器人右臂的关节位置、夹爪状态及视觉观测数据，典型应用于模仿学习算法的训练与验证。研究者可利用这些时序动作-观测对，构建端到端的策略模型，使机器人能够复现演示中的精细操作轨迹，从而在仿真或真实环境中实现复杂的抓取、放置等任务。

解决学术问题

该数据集有效应对了机器人模仿学习中数据稀缺与质量不一的挑战。它提供了高帧率、多模态的标准化演示数据，助力解决从高维视觉输入到连续动作输出的映射问题。其结构化记录降低了算法开发的数据预处理负担，推动了基于学习的机器人控制方法在样本效率与泛化能力方面的研究进展，为双臂协调操作等前沿课题奠定了实证基础。

衍生相关工作

围绕此数据集，已衍生出一系列专注于机器人模仿学习与视觉运动控制的经典工作。例如，基于LeRobot框架的研究常利用此类数据进行行为克隆或逆强化学习算法的基准测试。这些工作进一步探索了多任务学习、跨领域策略迁移以及从少量演示中泛化新技能的机制，持续推动着数据驱动机器人学在算法创新与系统集成方面的发展。