test3

这是一个由LeRobot工具创建的机器人数据集，包含20个集，9233帧，1个任务，60个视频和1个块。数据集提供了丰富的特征信息，包括机器人的动作、状态、前后左右视角的图像以及时间戳等。

原始信息汇总

数据集概述

基本信息

• 许可证: apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot

数据集描述

• 使用LeRobot创建

数据集结构

• 总情节数: 20
• 总帧数: 9233
• 总任务数: 1
• 总视频数: 60
• 总块数: 1
• 块大小: 1000
• 帧率: 30 fps
• 分割: 训练集包含所有20个情节

数据特征

• action: 12维浮点数组，表示左右机械臂各关节位置
• observation.state: 12维浮点数组，表示左右机械臂各关节位置
• observation.images.front: 前视摄像头视频数据，分辨率640x480，3通道，AV1编码
• observation.images.left: 左视摄像头视频数据，分辨率640x480，3通道，AV1编码
• observation.images.right: 右视摄像头视频数据，分辨率640x480，3通道，AV1编码
• timestamp: 时间戳
• frame_index: 帧索引
• episode_index: 情节索引
• index: 索引
• task_index: 任务索引

数据格式

• 数据文件: Parquet格式
• 存储路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

机器人类型

• bi_otter_follower

代码库版本

• v2.1

搜集汇总

数据集介绍

构建方式

在机器人技术领域，test3数据集通过LeRobot框架系统性地采集了双机械臂操作任务的多模态数据。该数据集包含20个完整的情节，总计9233帧数据，以30帧每秒的速率记录，并以Parquet格式分块存储，确保了数据的高效访问与处理。

特点

该数据集显著特点在于其丰富的多模态观测空间，包含前视、左视和右视三个角度的视频流，分辨率均为640x480，采用AV1编解码器压缩。动作空间采用12维浮点向量精确描述双机械臂各关节位置，包括肩部平移、肘部弯曲及腕部旋转等精细运动参数。

使用方法

研究人员可通过加载Parquet数据文件获取结构化观测和动作序列，利用视频路径字段访问多视角视觉数据。数据集采用Apache 2.0开源协议，支持机器人模仿学习、行为克隆等算法的训练与验证，其标准化的数据格式确保了与主流机器人学习框架的兼容性。

背景与挑战

背景概述

在机器人技术迅猛发展的背景下，test3数据集作为LeRobot项目的重要组成部分，专注于双机械臂跟随任务的数据采集与建模。该数据集由HuggingFace团队基于Apache 2.0许可证构建，通过集成多视角视觉感知与高维动作控制数据，为机器人模仿学习与行为克隆研究提供关键支撑。其核心价值在于实现了从原始传感器输入到连续动作输出的端到端映射，显著推动了具身智能领域在真实环境中的适应性研究。

当前挑战

该数据集致力于解决双机械臂协同控制中的高维动作空间建模难题，其核心挑战在于多模态数据的时空对齐与跨视角感知融合。构建过程中需克服机械臂关节轨迹与多摄像头视觉数据的高精度同步问题，同时需确保12维连续动作空间与480×640分辨率视频帧之间的实时匹配精度。此外，动态环境下的数据采集稳定性与传感器噪声抑制亦是关键难点，直接影响模仿学习算法的泛化性能。

常用场景

经典使用场景

在机器人学习领域，test3数据集通过双臂机器人操作任务的演示数据，为模仿学习与行为克隆算法提供了标准化的训练资源。其多视角视觉观测与高精度关节动作的同步记录，使得研究者能够构建从视觉输入到动作输出的端到端策略模型，特别适用于复杂操作任务的技能获取研究。

实际应用

基于真实机器人平台采集的test3数据集，可直接应用于工业自动化中的双臂协调操作、精密装配等场景。其包含的关节控制指令与多角度视觉反馈，为实际机器人系统的技能迁移提供了可靠参照，有效降低了机器人任务编程的复杂度，提升了在非结构化环境中执行物理交互任务的适应性。

衍生相关工作

以test3数据集为基础，衍生出了多项机器人学习领域的经典研究，包括基于时空注意力的行为克隆框架、多传感器融合的强化学习算法，以及跨任务策略泛化方法。这些工作显著提升了从演示数据中学习复杂操作的效率与泛化能力，形成了机器人模仿学习研究的重要分支。