one_arm_ojaemi

这是一个使用LeRobot创建的数据集，包含303个集，每个集包含多个帧，总共119375帧。数据集包含一个任务，606个视频文件，所有数据被分为一个块，块大小为1000。数据集的结构包括观测状态、动作、视频画面、时间戳、帧索引、集索引、索引和任务索引等特征。数据集采用Apache-2.0许可证。

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

数据集结构

• 总情节数: 303
• 总帧数: 119375
• 总任务数: 1
• 总视频数: 606
• 总块数: 1
• 块大小: 1000
• 帧率: 30 FPS
• 分割: 训练集包含所有303个情节

数据特征

观测数据

• 状态观测: 13维浮点数组，包含右肩俯仰、右肩滚动、右肩偏航、右肘、右腕滚动、右腕俯仰、右腕偏航、右手食指、右手中指、右手无名指、右手小指、右手拇指远端、右手拇指近端
• 图像观测:
  • 高分辨率相机: 3通道视频，分辨率640x480，帧率30 FPS，编码格式av1
  • 右腕相机: 3通道视频，分辨率640x480，帧率30 FPS，编码格式av1

动作数据

• 动作: 13维浮点数组，关节名称与状态观测相同

元数据

• 时间戳: 浮点型
• 帧索引: 整型
• 情节索引: 整型
• 索引: 整型
• 任务索引: 整型

数据存储

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

机器人平台

• 机器人类型: Unitree_G1_Inspire_DFTP

代码库版本

• 版本: v2.1

创建工具

• 使用LeRobot创建（https://github.com/huggingface/lerobot）

搜集汇总

数据集介绍

构建方式

在机器人技术领域，数据采集的精确性与系统性至关重要。该数据集通过LeRobot平台构建，采集自Unitree G1 Inspire DFTP单臂机器人的实际操作过程，涵盖303个完整任务片段，总计119,375帧数据。数据以分块形式存储于Parquet格式文件中，每块包含1,000帧，采样频率为30Hz，确保时序连贯性与存储效率。

使用方法

研究者可通过解析Parquet文件直接访问结构化数据，其中观测状态、动作向量及时间戳等字段支持时间序列分析。视频数据以MP4格式独立存储，可通过帧索引与主数据关联。该数据集适用于模仿学习、强化学习等算法的训练与验证，其标准化格式兼容主流机器人学习框架。

背景与挑战

背景概述

机器人操作数据集one_arm_ojaemi由HuggingFace的LeRobot项目团队构建，专注于单臂仿人机器人的精细操作任务。该数据集基于Unitree G1 Inspire DFTP机器人平台开发，包含303个完整操作序列和119,375帧多维数据，涵盖关节状态观测、视觉感知与动作控制等多模态信息。其设计旨在推动模仿学习与强化学习在复杂操作任务中的融合应用，为机器人灵巧操作研究提供高质量基准数据支撑。

当前挑战

该数据集核心挑战在于解决高自由度机械臂的精细操作问题，需协调13个关节的协同运动与多视角视觉感知的时序对齐。构建过程中面临多传感器数据同步精度保障、大规模视频数据压缩存储，以及操作动作与视觉观测间的时空一致性维护等工程难题。此外，真实环境下的操作任务需克服物理交互的不确定性与动作执行的容错性要求。

常用场景

经典使用场景

在机器人学习领域，one_arm_ojaemi数据集为单臂机器人操作任务提供了丰富的多模态数据支持。该数据集通过Unitree G1 Inspire DFTP机器人采集了303个完整操作序列，包含11.9万帧高精度关节状态观测与同步视觉数据。研究者可基于该数据集构建端到端的模仿学习模型，通过13维关节空间动作与双视角视觉输入的映射关系，训练机器人完成复杂的抓取与操控任务。

解决学术问题

该数据集有效解决了机器人模仿学习中多模态感知与运动控制的协同优化问题。通过提供精确的时间对齐关节状态数据与双视角视觉流，研究者能够深入探索视觉-运动表征学习、跨模态注意力机制等关键课题。其13自由度精细手部动作记录为灵巧操作研究提供了宝贵资源，显著推进了从视觉感知到连续动作生成的端到端学习范式发展。

实际应用

在工业自动化场景中，该数据集支撑的服务机器人可完成精密装配、零部件抓取等任务。医疗康复领域可基于其手部动作数据开发智能假肢控制系统。物流分拣系统通过借鉴其多视角视觉处理方案，能有效提升复杂场景下的物体识别与抓取精度。家居服务机器人亦可利用该数据学习人类操作习惯，实现更自然的人机协作。

数据集最近研究

最新研究方向

在机器人操作学习领域，单臂灵巧操作数据集one_arm_ojaemi正推动模仿学习与强化学习的深度融合。该数据集通过Unitree G1 Inspire DFTP机器人采集的多模态数据，包括13维关节状态观测与动作空间、双视角视觉输入，为具身智能研究提供了宝贵资源。当前研究聚焦于跨模态表征学习、行为克隆算法优化以及视觉-运动协同策略生成，特别是在复杂任务中的泛化能力提升。随着家庭服务机器人需求增长，此类高质量真实世界数据集正成为推动机器人自主学习的关键基础设施，为构建通用操作技能模型奠定数据基础。