salmonHan/record-test_20260528_001504

该数据集由LeRobot创建，用于机器人任务研究，具体针对so_follower类型的机器人。数据集包含1个完整的episode，总计1797帧数据，以30fps的帧率采集。数据以parquet文件格式存储，总数据文件大小为100MB，视频文件大小为200MB。特征包括动作（包含6个关节位置：shoulder_pan.pos、shoulder_lift.pos、elbow_flex.pos、wrist_flex.pos、wrist_roll.pos、gripper.pos）、观测状态（与动作相同的6个关节位置）、来自前摄像头的观测图像（分辨率为720x1280，3通道彩色视频）、时间戳、帧索引、episode索引、索引和任务索引。数据集主要用于训练和评估机器人控制算法。This dataset was created by LeRobot for robotics task research, specifically targeting the so_follower robot type. It contains 1 complete episode with a total of 1797 frames, captured at 30fps. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. Features include actions (with 6 joint positions: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos), observation states (the same 6 joint positions as actions), observation images from a front camera (resolution 720x1280, 3-channel color video), timestamp, frame index, episode index, index, and task index. The dataset is primarily used for training and evaluating robot control algorithms.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专注于机器人操作任务的记录与复现。数据采集于so_follower型机器人，通过单一指令完成一个完整的操作轨迹，共包含1个episode、1797帧画面，并以30帧/秒的频率采样。数据以Parquet格式存储动作指令与状态观测，同时嵌入高分辨率视频流（1280×720，AV1编码）作为视觉输入，结构清晰，便于后续的模仿学习与策略训练。

特点

数据集特点在于其紧凑且高保真的多模态融合设计。动作与状态信号均为6维浮点张量，覆盖肩、肘、腕及夹爪的位姿控制；视觉观测以30fps的视频流形式呈现，保证了时间序列的连续性与运动细节的完整性。此外，数据按1000帧分块组织，视频与数值文件分离存储，兼顾了大规模数据处理的效率与可扩展性，适用于机器人学习领域的基准测试与算法验证。

使用方法

用户可通过LeRobot生态工具链直接加载该数据集。借助Hugging Face Spaces的交互式可视化界面，可直观查看每个episode的机器人运动过程与传感器反馈。在训练场景中，建议采用模仿学习或强化学习框架，利用action与observation.state字段构建策略网络，同时引入observation.images.front作为视觉输入，以端到端方式学习从状态空间到控制指令的映射关系，实现复杂操作任务的自动化复现。

背景与挑战

背景概述

该数据集名为record-test_20260528_001504，由Hugging Face社区用户salmonHan基于LeRobot框架创建，于2025年5月28日发布，采用Apache-2.0许可证。数据集的构建聚焦于机器人模仿学习领域，旨在记录单次任务中机械臂的操控轨迹。核心研究问题涉及如何通过高分辨率视觉观测与低维动作状态序列，实现机器人对特定动作的精确复现。数据集包含单条演示片段，共计1797帧，以30帧/秒的帧率采集，涵盖肩关节、肘关节、腕关节及夹爪的六维动作空间。其发布为机器人学习社区提供了一个轻量级、可扩展的基准，尤其适用于验证动作-状态联合建模算法在低样本场景下的可行性。

当前挑战

该数据集所应对的领域挑战在于：机器人模仿学习通常依赖海量标注数据进行泛化，而本数据集仅含单条演示，需解决从极少量轨迹中提取可迁移动作表征的难题，避免模型过度拟合单一操作模式。在构建过程中，挑战体现于数据的高保真采集：需协调so_follower型机械臂的即时状态记录与高清视频流（1280×720分辨率、AV1编码）的同步，确保多模态数据的时间戳严格对齐。此外，数据总量仅100MB的低频属性表明需应对存储效率与信息完整性的权衡，即如何在压缩轨迹细节的同时保留反演操作策略所需的微妙动作变化。

常用场景

经典使用场景

该数据集记录了一台so_follower型机器人在单一任务下执行1797帧操作的全过程，包含6自由度关节角度动作指令与对应的高清视觉观测。其经典使用场景在于构建基于模仿学习的机器人操控模型，研究者可利用观测状态与动作序列的对应关系，训练神经网络将前视摄像头采集的视觉信息映射至具体的关节空间运动，进而实现从人类演示中学习复杂操作技能。

解决学术问题

该数据集为解决机器人领域中小样本模仿学习的泛化瓶颈提供了坚实的实验基础。学术研究常面临高质量演示数据匮乏的困境，该数据集以标准化格式封装了完整的动作-观测轨迹，有助于探索如何利用有限的演示样本高效习得可复现的技能策略。其意义在于推动行为克隆、逆强化学习及隐式策略等方法的理论验证，为建立数据驱动的机器人学习范式提供了可重复的基准测试平台。

衍生相关工作

该数据集衍生出若干经典研究方向，包括结合LeRobot框架的时序动作分割与多模态融合策略。研究者以此为起点，开发了基于扩散策略的动作生成模型，以及利用对比学习增强视觉表征的模仿学习架构。更值得关注的是，它催生了关于跨任务元学习的探索，即通过少量episode数据完成对全新操作目标的快速适应，为构建通用型机器人操控智能体奠定了数据基石。