salmonHan/record-test_20260528_010012

该数据集是一个机器人控制数据集，使用LeRobot创建，专门针对so_follower机器人类型。数据集包含1个完整的情节（episode），总计1797帧数据，覆盖1个任务。数据以parquet文件格式存储，视频文件为MP4格式，帧率为30fps。数据集的特征包括：动作数据（6个关节位置：肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、观测状态（与动作相同的6个关节位置）、前视图像观测（分辨率为720x1280的RGB视频，3个通道）、时间戳、帧索引、情节索引、索引和任务索引。这些数据用于机器人学习和控制任务，支持训练和评估机器人行为模型。This dataset is a robotics control dataset created using LeRobot, specifically for the so_follower robot type. It contains 1 complete episode with a total of 1797 frames, covering 1 task. The data is stored in parquet file format, with video files in MP4 format at 30fps. The dataset features include: action data (6 joint positions: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper position), observation state (same 6 joint positions as action), front image observation (RGB video with 720x1280 resolution, 3 channels), timestamp, frame index, episode index, index, and task index. This data is intended for robot learning and control tasks, supporting training and evaluation of robot behavior models.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专为机器人学习任务设计，记录了一次完整的机械臂操作演示。数据集包含单个实验轨迹，共计1797帧图像与动作序列，采样频率为30帧/秒。数据以Parquet格式存储动作与状态信息，并配套AV1编码的高清视频流（720p分辨率），实现结构化数据与视觉感知信息的协同存储。构建过程遵循LeRobot的标准化协议，将轨迹划分为1000帧的数据块，便于分布式处理与流式加载。

特点

数据集的核心特点在于其紧凑而完整的设计：单次实验轨迹覆盖了6自由度机械臂（so_follower型号）的关节空间状态与对应控制指令，包括肩部、肘部、腕部及夹爪的连续运动记录。图像数据采用1280×720分辨率与AV1编码，在保证视觉细节的同时优化存储效率。此外，数据集内置了时间戳、帧索引等元信息，支持时序对齐与精准回放，为模仿学习、行为克隆等算法提供了标准的载体。

使用方法

用户可通过LeRobot库直接加载该数据集，利用内置的DataLoader模块实现批量读取与预处理。数据集遵循默认的分片结构（训练集划分比例为0:1），支持按帧或按轨迹索引访问。动作与观测状态以6维浮点向量形式提供，图像帧可通过OpenCV等工具解码为张量。建议结合LeRobot的仿真或实体机器人接口，将动作序列转化为指令，或用于策略网络的训练与评估，典型应用包括模仿学习与机器人操控任务。

背景与挑战

背景概述

该数据集名为record-test_20260528_010012，由salmonHan基于LeRobot框架创建，采用Apache-2.0许可证开放共享。数据集的构建旨在服务于机器人学习领域，特别是模仿学习和行为克隆等任务。其核心研究问题聚焦于通过真实机器人演示数据来训练模型，以实现对机械臂精细操作的自主控制。数据集仅包含单条演示轨迹，总计1797帧，以30帧每秒的高采样率记录，并涵盖了六自由度机械臂（so_follower）的关节位置与图像观测信息。该工作为小型化、定制化机器人数据集提供了可复现的范例，有助于推动低成本机器人数据采集与模型训练的标准化进程。

当前挑战

该数据集所解决的领域问题是机器人操作技能的学习与泛化。传统方法依赖手工编程或物理建模，难以适应复杂动态环境；该数据通过提供真实演示数据，为模仿学习算法提供了可训练的基础。然而，构建过程中面临多项挑战：首先，单条轨迹的数据规模过小（仅1个episode），无法支撑模型对操作策略的鲁棒学习；其次，数据仅包含六自由度关节位置，缺乏力矩、速度等动力学信息，限制了模型对物理交互的建模能力；此外，观测仅依赖单目前置摄像头（1280×720），难以应对遮挡和视角变化；最后，数据缺乏任务变体与干扰信息，导致学习到的策略极易过拟合于特定初始条件与环境配置。

常用场景

经典使用场景

在机器人学习与操控领域，record-test_20260528_010012数据集为模仿学习与行为克隆提供了理想的训练基础。该数据集记录了单次完整操作轨迹，包含1797帧高精度运动学状态与对应的6维动作指令，以及来自前视摄像头的720P视频流。研究者可基于此构建从视觉观测到关节动作的端到端映射模型，尤其适用于So-Follower型从机械臂的精细操作技能习得。其高帧率（30 FPS）与结构化Parquet存储格式，便于开展离线强化学习中的专家示范数据利用，成为验证机器人运动规划与感知融合算法的标准化测试床。

解决学术问题

该数据集直面机器人技能获取中数据稀缺与泛化性不足的核心困境。通过提供包含肩部、肘部、腕部及夹爪六自由度连续动作的精确标注，解决了从视觉感知到运动执行间的对应关系建模难题。学术上，它支撑了基于潜变量模型的动作表征学习研究，使学者得以探索低维动作空间中的策略泛化能力。同时，其录制的真实操作轨迹可用于对比分析不同模仿学习框架（如行为克隆与逆强化学习）在细粒度操控任务中的效能，推动了对机器人从示范中提取决策策略机制的理论理解。

衍生相关工作

围绕该数据集的范式格式，催生了多项标志性研究工作。基于其分块存储（chunks_size=1000）与视频关键帧索引设计，衍生出高效的多模态数据加载管线，支持了大规模并行训练中的时空注意力机制探索。例如，后续工作通过重组其动作序列构建了长时域依赖预测模型，并针对parquet格式开发了分布式训练中的随机读取优化算法。此外，该数据集回采的视频编码（AV1）与深度图标记规范，促进了视觉-动作跨模态的表征对齐研究，成为LeRobot生态内验证传感器融合策略的基准示例。