towelspring26_3

该数据集由LeRobot创建，主要用于机器人技术领域的研究和应用。数据集包含108个episodes，总计53643帧数据，帧率为30fps。数据以parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB。数据集包含一个任务，所有数据均用于训练。数据集的结构包括动作数据（14个关节和夹爪的位置）、状态观测数据（与动作数据相同的14个关节和夹爪位置）、以及来自三个不同视角（右手腕、左手腕和俯视）的视频观测数据。视频数据的分辨率为480x640，3通道，编码格式为h264，像素格式为yuv420p。此外，数据集还包含时间戳、帧索引、episode索引和任务索引等元数据。数据集适用于机器人控制、行为克隆、强化学习等任务。

原始信息汇总

数据集概述

基本信息

• 数据集名称: towelspring26_3
• 创建工具: LeRobot
• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot

数据集结构

• 总情节数: 108
• 总帧数: 53643
• 总任务数: 1
• 数据块大小: 1000
• 帧率: 30 FPS
• 数据文件总大小: 100 MB
• 视频文件总大小: 200 MB
• 代码库版本: v3.0
• 机器人类型: bi_yams_follower
• 数据分割: 训练集 (0:108)

数据文件与路径

• 数据文件格式: Parquet
• 数据文件路径模式: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件路径模式: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

数据特征

动作

• 数据类型: float32
• 维度: 14
• 特征名称:
  • left_joint_1.pos
  • left_joint_2.pos
  • left_joint_3.pos
  • left_joint_4.pos
  • left_joint_5.pos
  • left_joint_6.pos
  • left_gripper.pos
  • right_joint_1.pos
  • right_joint_2.pos
  • right_joint_3.pos
  • right_joint_4.pos
  • right_joint_5.pos
  • right_joint_6.pos
  • right_gripper.pos

观测状态

• 数据类型: float32
• 维度: 14
• 特征名称: 与动作特征相同

观测图像

右腕图像

• 数据类型: 视频
• 图像尺寸: 480x640x3
• 视频编码: h264
• 像素格式: yuv420p
• 是否为深度图: 否
• 帧率: 30
• 音频: 无

左腕图像

• 数据类型: 视频
• 图像尺寸: 480x640x3
• 视频编码: h264
• 像素格式: yuv420p
• 是否为深度图: 否
• 帧率: 30
• 音频: 无

俯视图像

• 数据类型: 视频
• 图像尺寸: 480x640x3
• 视频编码: h264
• 像素格式: yuv420p
• 是否为深度图: 否
• 帧率: 30
• 音频: 无

元数据

• 时间戳: float32, 维度1
• 帧索引: int64, 维度1
• 情节索引: int64, 维度1
• 索引: int64, 维度1
• 任务索引: int64, 维度1

可视化

• 可视化空间: https://huggingface.co/spaces/lerobot/visualize_dataset?path=ETHRC/towelspring26_3

引用信息

• 主页: 未提供
• 论文: 未提供
• BibTeX引用: 未提供

搜集汇总

数据集介绍

构建方式

在机器人操作任务的数据采集领域，towelspring26_3数据集依托LeRobot平台构建而成，其采集过程聚焦于双机械臂协同操作场景。该数据集通过记录108个完整任务片段，累计超过5.3万帧数据，以30帧每秒的速率同步捕获多视角视觉信息与关节状态。数据以分块形式存储于Parquet文件中，每块包含1000帧，确保了高效的数据组织与访问效率，为机器人学习提供了结构化的时序交互记录。

特点

该数据集的核心特征在于其多模态与高维度的数据表征，不仅包含左右机械臂各六个关节及末端执行器的精确位置状态，还整合了来自腕部与俯视视角的三路高清视频流。数据维度涵盖14维动作向量与等维状态观测，视频分辨率统一为640x480，采用H.264编码存储。这种设计使得数据集能够同时支持基于状态与视觉的机器人策略学习，为模仿学习与强化学习算法提供了丰富的训练素材。

使用方法

研究人员可通过HuggingFace平台直接访问该数据集，利用其预定义的数据加载接口读取Parquet格式的文件。数据已按训练集划分，包含全部108个任务片段，用户可依据帧索引、片段索引等元数据灵活提取所需片段。数据集支持可视化工具，便于直观检查任务执行过程，适用于机器人动作预测、多传感器融合模型训练等研究方向，为算法验证与比较提供了标准化基准。

背景与挑战

背景概述

在机器人操作领域，模仿学习已成为实现复杂任务自主执行的关键范式。towelspring26_3数据集作为LeRobot项目的一部分，由Hugging Face社区于近期构建，专注于双机械臂协同操作任务。该数据集通过记录名为'bi_yams_follower'的双臂机器人执行特定任务（如毛巾折叠或弹簧操作）的完整交互过程，旨在为机器人模仿学习与策略优化提供高质量、多模态的演示数据。其核心研究问题在于如何从真实世界的物理交互中提取可泛化的动作策略，以推动机器人灵巧操作能力的边界，对机器人学习社区具有重要的实践参考价值。

当前挑战

该数据集致力于解决机器人模仿学习中策略泛化与多模态感知融合的挑战。具体而言，如何从高维的视觉观测（如腕部与俯视相机图像）与精确的关节状态中，学习出鲁棒且可迁移的操作策略，是一个核心难题。在构建过程中，数据采集面临诸多挑战：确保双机械臂动作的同步性与协调性、维持多视角视频流与状态数据的时间对齐、以及处理大规模高帧率视频数据所带来的存储与计算开销，均对数据集的可靠性与实用性构成了考验。

常用场景

经典使用场景

在机器人操作学习领域，towelspring26_3数据集为双臂机器人执行复杂任务提供了丰富的示范数据。该数据集通过记录机器人执行特定任务时的关节位置、夹爪状态以及多视角视觉信息，为模仿学习和强化学习算法提供了高质量的轨迹数据。研究者可以利用这些数据训练模型，使机器人学会模仿人类操作行为，从而在动态环境中完成精细的物体操作任务。

衍生相关工作

围绕该数据集，衍生出多项经典研究工作，包括基于视觉的模仿学习框架、多模态策略网络以及机器人操作的数据增强方法。这些工作利用数据集的丰富轨迹和视觉信息，探索了动作预测、状态估计和任务泛化等关键问题，进一步扩展了机器人学习算法的应用边界，并推动了开源机器人社区的工具链发展。

数据集最近研究

最新研究方向

在机器人操作领域，多模态感知与双机械臂协同控制正成为前沿探索的核心议题。towelspring26_3数据集以其丰富的双机械臂关节位置、夹爪状态及多视角视觉数据，为研究复杂环境下的灵巧操作任务提供了关键支撑。当前研究聚焦于利用此类数据训练端到端强化学习模型，旨在提升机器人对动态场景的适应能力与任务泛化性能。随着开源机器人平台LeRobot的推广，该数据集进一步促进了社区在模仿学习与视觉-动作映射方面的协作创新，为家庭服务与工业自动化场景中的自主操作技术奠定了实证基础。