KS325/close-upper-drawer

---
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).

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=KS325/close-upper-drawer">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## 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": "so_follower",
"total_episodes": 40,
"total_frames": 35108,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:40"
},
"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": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.camera1": {
"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.camera2": {
"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]
```

搜集汇总

数据集介绍

构建方式

在机器人操作领域，数据集的构建往往依赖于实际物理系统的交互记录。close-upper-drawer数据集通过LeRobot平台，利用so_follower型机器人执行关闭上层抽屉的单一任务，系统采集了40个完整操作片段。数据以每秒30帧的速率同步记录机器人的关节位置状态与双摄像头视觉信息，并以分块存储的Parquet格式组织，确保了时序数据的高效存取与完整性。

特点

该数据集的核心特征在于其多模态数据的紧密对齐，不仅包含六自由度机械臂的精确关节位置作为动作与状态观测，还同步提供了两个视角的高清视频流，分辨率均为640x480。数据规模涵盖35108个时间步，以分块形式管理，兼顾了大规模序列数据的处理效率。其结构设计清晰，每个数据帧均附带时间戳、帧索引与片段索引，便于进行时序分析与强化学习研究。

使用方法

研究者可通过HuggingFace平台直接访问该数据集，利用提供的Parquet文件路径加载数据。数据集已预分为训练集，涵盖全部40个操作片段。典型应用包括机器人模仿学习与策略学习，用户可结合动作序列、关节状态观测及双视角图像，训练模型理解并复现关闭抽屉的精细操作。数据集的标准化格式也便于集成至主流机器人学习框架中进行批量处理与模型评估。

背景与挑战

背景概述

在机器人操作学习领域，模仿学习与强化学习的发展亟需高质量、任务特定的真实世界数据集作为支撑。close-upper-drawer数据集应运而生，它由LeRobot团队创建，专注于解决机器人执行关闭上层抽屉这一具体操作任务。该数据集收录了40个完整操作序列，总计超过35000帧的多模态数据，融合了关节状态、视觉观测与动作指令，旨在为机器人精细操控研究提供可复现的基准。其构建依托于开源机器人平台，体现了社区驱动下数据共享以加速算法迭代的科研趋势，对推动家庭服务机器人的实用化进程具有潜在影响力。

当前挑战

该数据集致力于应对机器人操作中复杂环境下的灵巧控制挑战，其核心是解决基于视觉与状态反馈的闭环策略学习问题，要求模型从高维观测中理解抽屉的几何与物理特性，并生成精确、安全的关节运动序列。在构建过程中，面临多重困难：真实世界数据的采集需保证操作的一致性与安全性，避免机械损伤；多传感器数据的同步与校准要求极高精度；大规模视频数据的存储与高效访问需平衡质量与成本；此外，标注稀疏的演示数据如何有效泛化至未见场景，亦是算法层面待突破的瓶颈。

常用场景

经典使用场景

在机器人操作领域，close-upper-drawer数据集为机械臂执行精细操控任务提供了典型范例。该数据集记录了机器人关闭上层抽屉的完整过程，包含多视角视觉观测与关节动作数据，常用于训练模仿学习或强化学习模型，以模拟真实环境中的物体交互行为。研究者可利用其高帧率视频和精确的关节位置信息，构建端到端的控制策略，实现从感知到动作的映射，推动机器人自主执行日常操作任务的发展。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在机器人技能学习与多模态融合方向。例如，基于LeRobot框架的模仿学习算法利用此类数据优化策略网络，实现动作预测的精准化；同时，视觉-动作联合建模方法通过提取时空特征，增强了模型在未见场景中的泛化能力。这些工作不仅拓展了数据驱动的机器人控制范式，也为后续大规模示范数据集的构建与应用提供了技术借鉴。

数据集最近研究

最新研究方向

在机器人操作学习领域，close-upper-drawer数据集作为LeRobot项目的一部分，聚焦于机械臂执行关闭上层抽屉这一精细操作任务。该数据集融合了多视角视觉观测与关节位置动作数据，为模仿学习与强化学习算法提供了丰富的训练资源。当前研究前沿正探索如何利用此类数据集训练通用型机器人策略，使其能够泛化至多样化的家居环境操作场景。随着具身智能与大规模机器人数据集的兴起，该数据集在推动机器人从单一任务执行向多任务自适应转变的过程中扮演着关键角色，其结构化的状态-动作对与同步视频记录为模型的可解释性与策略迁移研究奠定了坚实基础。