learner1119/ffw_sh5_rev1_hand_test_edit

Name: learner1119/ffw_sh5_rev1_hand_test_edit
Creator: learner1119
Published: 2026-04-30 16:27:24
License: 暂无描述

Hugging Face2026-04-30 更新2026-05-03 收录

下载链接：

https://hf-mirror.com/datasets/learner1119/ffw_sh5_rev1_hand_test_edit

下载链接

链接失效反馈

官方服务：

资源简介：

--- license: apache-2.0 task_categories: - robotics tags: - robotis - LeRobot - ffw_sh5_rev1 configs: - config_name: default data_files: data/*/*.parquet --- This dataset was created using [Physical AI Tools](https://github.com/ROBOTIS-GIT/physical_ai_tools) and [LeRobot](https://github.com/huggingface/lerobot). ## Dataset Description - **Homepage:** [More Information Needed] - **License:** apache-2.0 ## Dataset Structure [meta/info.json](meta/info.json): ```json { "codebase_version": "v2.1", "robot_type": "ffw_sh5_rev1", "total_episodes": 4, "total_frames": 1156, "total_tasks": 1, "total_videos": 4, "total_chunks": 1, "chunks_size": 1000, "fps": 10, "splits": { "train": "0:4" }, "data_path": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet", "video_path": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4", "features": { "timestamp": { "dtype": "float32", "shape": [ 1 ], "names": null }, "frame_index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "episode_index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "task_index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "observation.images.cam_head": { "dtype": "video", "names": [ "height", "width", "channels" ], "shape": [ 1080, 1920, 3 ], "info": { "video.height": 1080, "video.width": 1920, "video.channels": 3, "video.codec": "libx264", "video.pix_fmt": "yuv420p" } }, "observation.state": { "dtype": "float32", "names": [ "arm_l_joint1", "arm_l_joint2", "arm_l_joint3", "arm_l_joint4", "arm_l_joint5", "arm_l_joint6", "arm_l_joint7", "arm_r_joint1", "arm_r_joint2", "arm_r_joint3", "arm_r_joint4", "arm_r_joint5", "arm_r_joint6", "arm_r_joint7", "finger_l_joint1", "finger_l_joint2", "finger_l_joint3", "finger_l_joint4", "finger_l_joint5", "finger_l_joint6", "finger_l_joint7", "finger_l_joint8", "finger_l_joint9", "finger_l_joint10", "finger_l_joint11", "finger_l_joint12", "finger_l_joint13", "finger_l_joint14", "finger_l_joint15", "finger_l_joint16", "finger_l_joint17", "finger_l_joint18", "finger_l_joint19", "finger_l_joint20", "finger_r_joint1", "finger_r_joint2", "finger_r_joint3", "finger_r_joint4", "finger_r_joint5", "finger_r_joint6", "finger_r_joint7", "finger_r_joint8", "finger_r_joint9", "finger_r_joint10", "finger_r_joint11", "finger_r_joint12", "finger_r_joint13", "finger_r_joint14", "finger_r_joint15", "finger_r_joint16", "finger_r_joint17", "finger_r_joint18", "finger_r_joint19", "finger_r_joint20" ], "shape": [ 54 ] }, "action": { "dtype": "float32", "names": [ "arm_l_joint1", "arm_l_joint2", "arm_l_joint3", "arm_l_joint4", "arm_l_joint5", "arm_l_joint6", "arm_l_joint7", "arm_r_joint1", "arm_r_joint2", "arm_r_joint3", "arm_r_joint4", "arm_r_joint5", "arm_r_joint6", "arm_r_joint7", "finger_l_joint1", "finger_l_joint2", "finger_l_joint3", "finger_l_joint4", "finger_l_joint5", "finger_l_joint6", "finger_l_joint7", "finger_l_joint8", "finger_l_joint9", "finger_l_joint10", "finger_l_joint11", "finger_l_joint12", "finger_l_joint13", "finger_l_joint14", "finger_l_joint15", "finger_l_joint16", "finger_l_joint17", "finger_l_joint18", "finger_l_joint19", "finger_l_joint20", "finger_r_joint1", "finger_r_joint2", "finger_r_joint3", "finger_r_joint4", "finger_r_joint5", "finger_r_joint6", "finger_r_joint7", "finger_r_joint8", "finger_r_joint9", "finger_r_joint10", "finger_r_joint11", "finger_r_joint12", "finger_r_joint13", "finger_r_joint14", "finger_r_joint15", "finger_r_joint16", "finger_r_joint17", "finger_r_joint18", "finger_r_joint19", "finger_r_joint20" ], "shape": [ 54 ] } } } ``` ## Citation **BibTeX:** ```bibtex [More Information Needed] ```

This dataset was created using Physical AI Tools and LeRobot, containing robot operation data with 4 episodes, 1156 frames, and 1 task. The dataset provides video frames from the robots head camera (1080x1920 resolution), 54-dimensional robot joint state observations, and 54-dimensional action control data. Data is stored in parquet format, videos in mp4 format with a frame rate of 10fps. The dataset is primarily used for robot learning and control-related research.

提供机构：

learner1119

搜集汇总

数据集介绍

构建方式

ffw_sh5_rev1_hand_test_edit数据集依托Physical AI Tools与LeRobot框架构建而成，专注于机器人操作领域的数据采集与存储。该数据集以4个完整episode、总计1156帧的规模呈现，通过单一任务场景下的重复演示，深度捕捉机器人双臂及多指灵巧手的运动细节。数据采用Parquet与MP4混合格式存储，其中状态与动作信息以54维浮点向量精确记录双臂各7个关节与双手各20个指关节的位姿变化，视觉观测则通过1080p高清摄像头以10帧/秒的频率同步采集。数据被划分为单个chunk，训练集覆盖全部episode，形成结构紧凑的演示序列。

特点

本数据集的核心特色在于其高度精细化的状态-动作空间设计。54维的状态向量与动作向量完整刻画了Robotis FFW SH5 Rev1型仿人机器人的双臂及多指灵巧手运动学特征，为模仿学习与行为克隆提供丰富的底层控制信号。视觉观测采用1920×1080分辨率的高清摄像头，辅以libx264编码压缩，在保证图像质量的同时控制存储开销。数据集包含4个episode的单一任务演示，虽规模有限但专注于高质量重复采集，适合作为微调或领域自适应研究的基准数据。Apache-2.0许可协议赋予其广泛的可复现与二次开发潜力。

使用方法

用户可通过LeRobot框架内置的数据加载器直接读取该数据集，按照chunk-{episode_chunk:03d}/episode_{episode_index:000000d}.parquet的路径模式访问结构化数据。视频文件则存放在对应的videos目录下，支持按episode索引进行对齐。使用时需将数据加载为LeRobot的标准Dataset格式，通过task_index字段区分任务，并利用observation.state与action字段提取机器人的状态与动作序列。训练过程中可基于fps=10的帧率设置时序采样策略，结合episode_index实现跨回合的数据混合。适用于行为克隆、逆强化学习及端到端机器人控制策略的监督训练。

背景与挑战

背景概述

ffw_sh5_rev1_hand_test_edit数据集由ROBOTIS团队基于Physical AI Tools和LeRobot框架创建，聚焦于机器人操控领域的核心任务——双臂灵巧手操作。该数据集通过记录机器人双臂20个自由度的关节状态与对应动作，结合高清视觉观测，为模仿学习与行为克隆提供了高保真的训练样本。其发布于近年机器人学习向精细化操作演进的关键阶段，旨在弥补现有数据集在复杂手部协同操作上的不足。尽管规模较小，该数据集以标准化的结构嵌入LeRobot生态，为双臂操控任务的迁移学习与基线模型评估提供了可复用的数据支撑，对推动机器人灵巧操作研究具有奠基性意义。

当前挑战

当前挑战集中于两方面。领域层面，机器人灵巧手操作面临状态与动作空间维度高（54维）、运动规划非线性强等难题，数据集需支持从稀疏演示中泛化出稳健的操控策略。构建过程中，数据需借助遥操作以10Hz频率同步采集高分辨率视觉与关节状态，手工标注的少量演示（仅4个片段）加剧了过拟合风险；同时，多模态数据（视频与状态）的时空对齐与长尾分布覆盖不足，进一步限制了模型在真实场景中的适应性与鲁棒性。

常用场景

经典使用场景

在机器人学习与模仿学习领域，ffw_sh5_rev1_hand_test_edit数据集为双臂灵巧手操作任务的研究提供了宝贵的基准资源。该数据集由ROBOTIS团队利用Physical AI Tools与LeRobot框架采集，包含4个完整演示回合，总帧数达1156帧，以10Hz频率记录。其核心特征在于同时捕捉高分辨率头部视角图像（1080×1920）与54维状态空间数据，囊括双臂各7个自由度及双手各20个关节的精细运动信息。研究者可以此作为训练行为克隆、逆强化学习或端到端策略网络的标准化输入，探索复杂操作技能从人类示教到机器人技能迁移的可行路径。

衍生相关工作

围绕该数据集已衍生出多项具有启发意义的研究工作。首先，基于此数据开发的多模态融合策略，将视觉特征与关节状态编码结合，生成的模型在ROBOTIS官方测评中展现了更优的泛化性能。其次，针对其结构化的parquet存储格式，有团队设计出高效的数据加载与增强管线，推动LeRobot生态的样本效率改进方案。此外，该数据集也为双臂灵巧手的动力学模型辨识提供了基准，研究者可从中提取动作序列反解动力学参数，用于提升仿真到现实的迁移精度。这些衍生工作共同丰富了从示教数据到技能习得的完整技术链路。

数据集最近研究