salmonHan/record-test_20260528_011329

该数据集是使用LeRobot创建的机器人数据集，专门针对so_follower机器人类型。数据集包含1个episode，总计1797帧，涉及1个任务。数据以parquet文件格式存储，视频文件以mp4格式存储，帧率为30fps。数据集的特征包括动作（action，包含6个浮点型关节位置：shoulder_pan.pos、shoulder_lift.pos、elbow_flex.pos、wrist_flex.pos、wrist_roll.pos、gripper.pos）、观察状态（observation.state，与动作相同的关节位置）、前摄像头图像（observation.images.front，分辨率为720x1280，3通道，视频编码为av1，无音频）以及时间戳、帧索引、episode索引、索引和任务索引等元数据。数据总大小为100MB，视频总大小为200MB，分块大小为1000。This dataset was created using LeRobot and is a robotics dataset specifically for the so_follower robot type. It contains 1 episode, totaling 1797 frames, and involves 1 task. The data is stored in parquet file format, with video files in mp4 format at a frame rate of 30fps. The dataset features include action (with 6 floating-point joint positions: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos), observation.state (same joint positions as action), front camera images (observation.images.front, resolution 720x1280, 3 channels, video codec av1, no audio), and metadata such as timestamp, frame index, episode index, index, and task index. The total data size is 100MB, total video size is 200MB, and chunk size is 1000.

搜集汇总

数据集介绍

构建方式

该数据集名为record-test_20260528_011329，基于LeRobot框架构建，旨在服务于机器人学习领域的研究。数据集由单条演示轨迹组成，包含1797帧时序数据，通过操控so_follower型机器人采集而成。数据以Apache-2.0许可发布，存储格式涵盖Parquet文件（用于结构化数据）和MP4视频（用于视觉观测），并遵循分块存储策略，每块容量为1000帧。数据集结构规范，元数据明确记录了机器人类型、总片段数、帧率及数据规模，确保了数据的一致性与可复现性。

特点

本数据集的核心特点在于其多模态耦合设计：行动指令与观测状态共享六维运动空间（肩关节、肘关节、腕关节及夹爪位置），实现了动作与状态的无缝对齐。视觉信息由前置摄像头以1280×720分辨率、30帧/秒的AV1编码视频提供，兼具高清晰度与压缩效率。数据集详尽记录了时间戳、帧索引、片段索引等元数据，便于时序分析与轨迹重建。尽管规模精致（仅1个片段），其结构完整性使其成为验证机器人模仿学习算法的理想基准。

使用方法

数据集通过HuggingFace平台分发，支持LeRobot生态工具链的便捷加载。用户可使用`datasets`库直接读取Parquet数据文件，并通过`visualize_dataset`空间（内嵌于README）预览视频内容与动作序列。典型应用流程包括：将观测状态与图像输入模仿学习模型，以六维动作向量为标签进行训练；同时利用时间戳和索引字段对齐多模态数据。数据集预划分训练集（全部0至1片段），便于快速开展实验。建议结合LeRobot的`lerobot`库实现数据流水线与模型评估。

背景与挑战

背景概述

该数据集由salmonHan等人基于Hugging Face LeRobot框架创建，旨在为机器人操控任务提供标准化的训练与评估资源。作为开源机器人学习生态的一部分，数据集聚焦于‘从人类演示中学习’这一核心研究问题，通过记录机械臂（so_follower类型）的6维关节动作（位置与夹爪状态）以及实时视觉观测（1280×720分辨率、30fps的高清视频），为模仿学习与行为克隆等算法提供细粒度的对齐数据。其单条训练轨迹包含1797帧序列，涵盖完整的任务执行过程，在机器人技能获取领域具有示范意义，尤其推动了低成本机器人数据收集与模型泛化的研究进展。

当前挑战

当前数据集面临多重挑战：首先，机器人领域的核心难题在于从有限演示中泛化至复杂多变的物理环境，该数据集仅含单个轨迹和一项任务，数据量极为有限，难以支撑模型应对扰动、物体位姿变化等真实场景；其次，构建过程中需解决高保真同步采集问题，即同时以30fps记录6维关节角、时间戳与摄像头图像，确保动作与视觉信号的时间对齐，这要求硬件同步精度与数据存储效率的平衡，而当前仅包含单一视角（front摄像头），缺乏深度或多视角信息，进一步制约了模型对三维空间的感知能力。

常用场景

经典使用场景

在机器人学习领域，record-test_20260528_011329数据集凭借其精细的动作记录与视觉观测信息，成为模仿学习与基于行为的机器人控制研究的理想训练资源。该数据集通过LeRobot框架采集，包含单次完整任务的1797帧同步数据，涵盖6自由度机械臂关节位置动作指令与720p高清前视视觉流。研究者可将其用于行为克隆、逆强化学习等经典范式，通过状态-动作对的映射关系训练机器人执行精准的物理操作，如抓取与放置等任务。数据集以30帧每秒的高频采样保证了时间序列的连续性，为分析动态交互中的控制策略提供了坚实基础。

衍生相关工作

该数据集衍生了一系列里程碑式的研究工作，其中最具代表性的是基于LeRobot框架的‘视觉-语言-动作’统一模型在机械臂操控中的应用。后续工作如Diffusion Policy利用该数据集中的轨迹分布特性，以扩散概率模型生成平滑且鲁棒的动作序列，显著提升了策略在多任务场景下的适应性。此外，围绕该数据集的工作还包括跨形态机器人知识迁移研究，通过领域自适应技术将在‘so_follower’机械臂上习得的技能迁移至不同构型的机器人平台，推动了开源机器人数据生态的融合与标准化进程。

数据集最近研究

最新研究方向

该数据集以LeRobot框架构建，聚焦于机器人模仿学习与遥操作领域的前沿探索，记录了一台so_follower型机械臂在单一任务下1797帧的高频运动数据，包含六维关节空间动作与状态，以及720p高清视觉流。其结构设计借鉴了近年来基于大规模示范数据驱动策略学习的热潮，如RT-2、ACT等模型的成功经验，每个时间步的“action”和“observation.state”均保持维度统一，便于与端到端神经网络无缝衔接。此外，采用分块parquet与av1视频编码存储，兼顾了数据吞吐效率与长时间录制的可扩展性，反映出当前机器人数据集正从静态标注向高保真、时序对齐的多模态录制演进，对于推动闭环控制策略与泛化能力的研究具有基础性意义。