record-test

该数据集是使用LeRobot框架创建的机器人演示数据集，专门用于机器人学习任务。数据集包含50个完整的演示片段（episodes），共计22,981帧数据，涵盖单一任务场景。数据以parquet文件格式存储，同时包含对应的mp4格式视频文件。数据集的核心特征包括：机器人动作指令（action），为6维浮点数组，控制肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置；机器人状态观测（observation.state），同样为6维浮点数组，反映上述关节的实时位置；以及来自顶部（top）和前方（front）两个视角的图像观测（observation.images），均为480x640分辨率的RGB视频，帧率为30fps，采用AV1编码。此外，数据集还提供了时间戳（timestamp）、帧索引（frame_index）、片段索引（episode_index）、全局索引（index）和任务索引（task_index）等元数据，便于数据访问和序列建模。该数据集适用于机器人模仿学习、强化学习、行为克隆等任务的研究与开发。

原始信息汇总

数据集概述

• 名称: record-test
• 许可协议: Apache-2.0
• 任务类别: 机器人学 (robotics)
• 标签: LeRobot

数据集来源

该数据集使用 LeRobot 框架创建，并可通过 可视化工具 进行交互式查看。

数据集结构

• 代码库版本: v3.0
• 机器人类型: so_follower
• 总回合数 (episodes): 50
• 总帧数 (frames): 22,981
• 总任务数: 1
• 块大小 (chunk_size): 1,000
• 数据文件大小: 100 MB
• 视频文件大小: 200 MB
• 帧率 (fps): 30
• 数据划分: 训练集 (train) 包含第0至49回合（共50回合）

数据特征

特征名	数据类型	形状	描述
action	float32	(6,)	6维关节动作指令（肩部、肘部、腕部、夹爪等位置）
observation.state	float32	(6,)	6维关节状态观测（与动作维度对应）
observation.images.top	video	(480, 640, 3)	顶部摄像机视频（AV1编码，30fps，yuv420p）
observation.images.front	video	(480, 640, 3)	前部摄像机视频（AV1编码，30fps，yuv420p）
timestamp	float32	(1,)	时间戳
frame_index	int64	(1,)	帧索引
episode_index	int64	(1,)	回合索引
index	int64	(1,)	样本索引
task_index	int64	(1,)	任务索引

数据文件路径

• 数据文件: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

搜集汇总

数据集介绍

构建方式

record-test数据集基于LeRobot框架构建，专为机器人模仿学习研究而设计。该数据集通过采集so_follower型机器人在单一任务下的50个完整演示片段（episode）形成，共计22981帧数据，并以30帧/秒的稳定速率记录。数据以Parquet格式存储，辅助以AV1编码的MP4视频文件，依据预设的chunks_size为1000的块结构进行组织，确保数据的高效存取与扩展性。整个数据集被完整划分为训练集，无验证或测试子集，方便研究人员直接用于模型训练与评估。

特点

该数据集的核心特点在于其多维度的传感信息融合。每条演示包含6维的关节空间动作（action）与状态（state）信息，涵盖肩部、肘部、腕部及夹爪的实时位姿。同时，数据集同步采集来自顶部和前方两个视角的480x640分辨率彩色视频流，为视觉-运动策略学习提供丰富的环境观测。此外，数据记录精确的时间戳与帧索引，使得时间序列分析成为可能，全面满足高精度机器人控制任务的训练需求。

使用方法

使用record-test数据集时，研究者可借助LeRobot工具链直接加载Parquet数据文件与关联视频。通过解析meta/info.json中的特征定义，获取'action'、'observation.state'及'observation.images'等字段，构建端到端的模仿学习或强化学习模型。数据集结构清晰，所有50个片段已预设为训练集，用户无需额外拆分。结合Hugging Face提供的可视化工具，可快速浏览数据质量与演示内容，简化了预处理与调试流程，使研究者能专注于算法开发与实验验证。

背景与挑战

背景概述

record-test数据集由Jakub1210等人于2023年利用LeRobot框架创建，旨在为机器人操作任务提供标准化训练与评估基准。该数据集聚焦于单任务模仿学习场景，记录了一台so_follower机械臂执行特定操作的50个完整回合，包含约2.3万帧高保真观测数据。通过整合6维关节状态与两个视角的RGB视频流（30fps），该数据集为构建从视觉输入到连续动作的端到端映射模型奠定了数据基础。作为LeRobot生态中的轻量级测试案例，record-test不仅验证了parquet格式存储时序传感器数据的可行性，更推动了可复现机器人学习研究范式的普及，在低样本操控学习与动作序列生成等领域具有示范意义。

当前挑战

该数据集所解决的领域核心挑战在于：机器人模仿学习需在有限样本下从视觉-状态混合信息中准确推断连续动作策略，而record-test通过提供结构化多模态数据（6D关节向量与480p视频流），为验证通用动作表征方法提供了标准化测试床。构建过程中面临的两大技术挑战包括：一、多源数据同步采集难题，需在30Hz采样率下将机械臂关节编码器、摄像头视频帧与时间戳严格对齐，确保每个时间切片具备完整的动作-观测配对；二、高维异构数据的高效存储与检索，通过分块parquet文件存储数组型传感器数据，同时采用av1编码压缩视频流，在100MB数据文件与200MB视频文件间维持了存取效率与精度的平衡。

常用场景

经典使用场景

record-test数据集作为机器人模仿学习领域的基准资源，其核心应用场景聚焦于训练机械臂执行精确的连续控制任务。该数据集收录了50个演示片段，共计约23,000帧，以每秒30帧的高频采样，捕捉了六自由度机械臂在操作过程中的状态信息与视觉观测数据。研究者可借助该数据集，在模拟或真实环境中训练策略网络，使机器人学会复现如抓取或灵巧操作等技能，为从示范中学习复杂运动技能提供了标准化的数据基础。

解决学术问题

该数据集精准回应了机器人学习中两个关键的学术挑战：如何高效获取高质量的示范数据以摆脱对大量人工标注的依赖，以及如何从高维视觉输入与连续动作空间中有效提取可迁移的行为表征。record-test通过提供同步的关节角度状态、俯视与前向双视角RGB视频流以及对应的精确动作序列，使得显式行为克隆、隐式策略优化以及端到端的视觉-运动策略学习成为可能。它的存在加速了从示范数据到鲁棒控制策略的映射研究，推动了机器人低成本、高效率学习范式的学术探索。

衍生相关工作

该数据集衍生的相关工作主要围绕模仿学习中的核心算法验证与改进。研究者常利用此数据集作为评估基线，对比行为克隆、扩散策略与基于能量模型的策略等不同方法的性能差异。此外，它也是探讨数据增强技术对策略泛化能力影响、研究多视角视觉特征融合在机器人操控中效用的测试平台。像LeRobot框架下的许多工具就围绕此类数据集设计，促使了从原始示范到可执行策略的完整流程标准化，进而催生了更多关于样本有效性与跨任务迁移的研究工作。