arrg-unam/eval_act_omx_Test1004_01

---
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": "v2.1",
"robot_type": "omx_follower",
"total_episodes": 50,
"total_frames": 15975,
"total_tasks": 1,
"total_videos": 50,
"total_chunks": 1,
"chunks_size": 1000,
"fps": 30,
"splits": {
"train": "0:50"
},
"data_path": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet",
"video_path": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4",
"features": {
"action": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"observation.state": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"observation.images.front": {
"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

在机器人学习领域，高质量的数据集对于模型训练与评估至关重要。eval_act_omx_Test1004_01数据集依托LeRobot平台构建，专门针对OMX跟随机器人设计。该数据集通过实际机器人交互采集，包含50个完整情节，总计15975帧数据，以30帧每秒的速率记录。数据以分块形式存储于Parquet文件中，每个情节对应独立的视频文件，确保了数据的结构化和高效访问。

特点

该数据集的核心特征在于其多模态数据融合与精细的结构设计。它同步记录了机器人的六维关节位置动作与对应的状态观测，并提供了前视摄像头采集的480x640分辨率RGB视频流。数据字段涵盖时间戳、帧索引及情节索引等元信息，支持端到端的机器人策略学习与评估。这种统一的数据范式为模仿学习与强化学习算法提供了标准化的输入输出接口。

使用方法

使用本数据集时，研究者可通过LeRobot库或直接加载Parquet文件进行数据访问。数据集已按训练集划分，涵盖全部50个情节，适用于机器人动作预测、状态估计及视觉运动策略学习等任务。视频数据以MP4格式存储，与动作和状态数据通过索引对齐，便于进行时序分析与跨模态建模。用户可依据特征描述中的数据结构，提取关节空间轨迹或视觉观测，构建相应的机器学习管道。

背景与挑战

背景概述

在机器人学习领域，高质量的数据集对于推动模仿学习与强化学习算法的进步至关重要。eval_act_omx_Test1004_01数据集由HuggingFace的LeRobot项目创建，专注于OMX Follower机器人的动作评估任务。该数据集收录了50个完整的情节，包含近16000帧的同步状态观测与动作数据，涵盖了机器人关节位置及前端视觉信息，旨在为机器人控制策略的验证与泛化能力测试提供标准化基准。其构建依托于开源机器人学习框架LeRobot，体现了社区驱动下机器人数据共享与算法评估的最新趋势，对促进真实世界机器人技能的迁移与优化具有显著意义。

当前挑战

该数据集致力于解决机器人模仿学习中动作策略的评估挑战，核心在于如何准确衡量控制算法在复杂动态环境下的执行效果与鲁棒性。构建过程中面临多重困难：首先，需确保多模态数据（如关节状态与视觉流）的高精度同步采集，以维持时序一致性；其次，真实机器人操作涉及硬件噪声与安全约束，数据收集需在受控环境下平衡效率与多样性；此外，数据标注与结构化存储需设计通用格式，以支持不同算法的高效加载与跨平台验证。这些挑战共同指向机器人学习数据标准化与可复现性的深层需求。

常用场景

经典使用场景

在机器人学习领域，eval_act_omx_Test1004_01数据集为模仿学习与强化学习算法的评估提供了关键基准。该数据集记录了OMX跟随机器人执行单一任务时的关节位置状态、前端视觉观测及对应动作序列，其结构化的多模态数据支持端到端策略训练与验证。研究者常利用该数据集训练机器人从视觉输入中学习精确的关节控制策略，模拟真实环境中的跟随行为，从而推动机器人自主操作能力的提升。

实际应用

在实际场景中，该数据集可直接应用于服务机器人、工业自动化及康复辅助设备等领域。基于其记录的跟随任务数据，工程师能够开发出适应动态环境的机器人控制系统，实现物体追踪、人机协作及精密操作等任务。这类数据驱动的解决方案显著提升了机器人在非结构化环境中的适应能力与操作安全性。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在视觉-动作映射模型、时序预测架构及跨任务迁移学习等方面。例如，基于其多模态特性，研究者提出了融合卷积网络与循环网络的混合模型，以提升长期动作序列的生成质量。这些工作不仅拓展了数据集的学术价值，也为机器人感知与控制一体化提供了新的方法论基础。