salmonHan/record-test_20260528_003304

该数据集是使用LeRobot创建的机器人学习数据集，专门针对so_follower机器人类型。数据集包含1个完整的情节，总计1797帧数据，采样频率为30 fps。数据以Parquet格式存储，总数据文件大小为100 MB，视频文件大小为200 MB。数据集的特征包括：动作空间（包含6个浮点数值，对应肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置），状态观察（同样包含6个浮点数值，反映机器人关节位置），以及来自前置摄像头的图像观察（分辨率为720x1280，3通道彩色视频）。此外，还包括时间戳、帧索引、情节索引等元数据。数据集仅包含训练分割，覆盖所有数据。This dataset is a robotics learning dataset created using LeRobot, specifically for the so_follower robot type. It contains 1 complete episode with a total of 1797 frames, sampled at 30 fps. The data is stored in Parquet format, with a total data file size of 100 MB and video file size of 200 MB. Dataset features include: action space (comprising 6 float32 values for shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), state observation (also with 6 float32 values reflecting robot joint positions), and image observation from a front camera (resolution 720x1280, 3-channel color video). Additionally, it includes metadata such as timestamp, frame index, episode index, etc. The dataset only contains a training split, covering all data.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，聚焦于机器人操控任务。数据采集自so_follower型机器人，共收录1个完整轨迹片段，包含1797帧时序数据，以30帧/秒的速率录制。数据以parquet格式存储，视频采用AV1编码，分辨率达1280×720。构建过程中，机器人6自由度关节状态与对应动作指令被同步记录，并通过分块机制（chunk_size=1000）进行组织，确保大规模数据的高效存取与复现。

特点

数据集结构精炼且特征多元，包含高精度32位浮点型动作与状态数据，涵盖肩部、肘部、腕部及夹爪的位姿信息。视觉观测以高清视频形式呈现，同时辅以时间戳、帧索引与轨迹编号等元数据，便于时间序列分析与多模态融合。单轨迹小样本设定使其适用于少样本模仿学习与策略泛化研究，Apache-2.0许可则保障了广泛的可复用性。

使用方法

用户可通过LeRobot工具库直接加载与可视化该数据集，借助其提供的API轻松解析parquet数据与视频文件。数据集默认划分为训练集，适合用于训练机器人操控策略。推荐在模仿学习或强化学习框架中，将状态与动作序列作为模型输入，结合视频观测进行端到端策略学习。开发者还可基于其结构自定义预处理流水线，以适应不同算法需求。

背景与挑战

背景概述

该数据集由salmonHan等人利用LeRobot框架于2026年创建，聚焦于机器人操作领域，特别是基于视觉反馈的机械臂控制任务。核心研究问题在于如何利用高保真多模态数据（包括6维关节状态观测与720p高清视觉输入）驱动仿人机器人末端执行器完成精确操控。作为LeRobot生态中的示范性数据集，它以30Hz采样率记录单条轨迹、1797帧时序数据，并采用Apache-2.0许可开放共享，为模仿学习、行为克隆及机器人运动规划等前沿课题提供了标准化的训练基准。其影响力体现在：一方面通过规范化数据格式（如Parquet分块存储与AV1视频压缩）降低了机器人学习领域的入门门槛，另一方面为后续大规模机器人数据集的构建范式奠定了基础。

当前挑战

当前数据集面临的挑战主要集中在三个层面：首先，所解决的领域问题——机器人操控中从观测到动作的跨模态映射仍存在严重泛化瓶颈，单一轨迹、单任务（so_follower）的数据规模难以覆盖真实场景中的物体多样性、动力学突变及随机扰动，导致模型在未训练环境下的策略零迁移问题突出。其次，构建过程中，数据采集依赖LeRobot框架的实时同步机制，但视觉流（720p@30fps）与关节状态流（6维浮点）之间的时序对齐误差可能累积，尤其在快速连续动作时容易引入相位滞后。此外，数据仅包含前端单目视角，缺乏深度或多视角信息，增加了从2D图像精确恢复三维空间操作路径的歧义性。最后，存储与计算效率的权衡也是一大挑战：AV1视频压缩虽降低了带宽，但解码耗时可能影响训练流水线的吞吐量。

常用场景

经典使用场景

在机器人学习领域，record-test_20260528_003304数据集专为模仿学习与行为克隆任务而设计，其核心应用场景在于训练机器人从人类演示中学习精细操作技能。该数据集通过高保真记录六自由度机械臂（so_follower）的关节动作序列与同步摄像头视频流，为构建端到端的视觉-运动控制模型提供了高质量的示范样本。研究者可基于此数据训练策略网络，使机器人复现复杂的操作轨迹，如抓取、装配或灵巧操作等任务，是实现机器人技能习得与泛化研究的基础资源。

实际应用

在工业与服务业自动化实践中，该数据集可直接用于训练机器人执行流水线上的精密装配、包裹分拣或医疗辅助操作等重复性任务。通过利用其中包含的人类示教轨迹与视觉观测，开发者能够快速部署适应性机械臂，实现无需传统编程的柔性产线改造。此外，数据集中同步记录的操作员动作可助力构建远程操控（teleoperation）系统的监督训练框架，提升人机协作效率，在危险环境作业或精密外科手术辅助等场景中展现巨大的应用价值。

衍生相关工作

该数据集已催生一系列衍生性研究工作，尤其在基于扩散模型的机器人策略生成、基于Transformer的时序动作预测以及多视角视觉表征学习等前沿方向。例如，研究者利用其多模态数据结构验证了策略流匹配（Flow Matching）算法在真实机器人操作任务中的有效性，并推动了条件运动规划器的开发。同时，该数据集标准化格式促进了与LeRobot生态的深度整合，衍生出跨机器人构型迁移学习、数据高效模仿学习等课题，成为连接仿真预训练与真实世界微调的关键纽带，极大丰富了机器人技能习得领域的方法论体系。