KS325/close-upper-drawer-r1_emp_train

该数据集由LeRobot创建，主要用于机器人技术领域。数据集包含14个集，总计11913帧，涉及1个任务。数据以parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集的特征包括动作（6个关节位置）、观察状态（6个关节位置）、两个摄像头的观察图像（480x640x3）、时间戳、帧索引、集索引、索引和任务索引等。数据集的许可证为apache-2.0。

This dataset was created by LeRobot and is primarily used in the field of robotics. The dataset contains 14 episodes, totaling 11913 frames, and involves 1 task. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB, at a frame rate of 30fps. The features of the dataset include actions (6 joint positions), observation states (6 joint positions), observation images from two cameras (480x640x3), timestamps, frame indices, episode indices, indices, and task indices. The dataset is licensed under apache-2.0.

搜集汇总

数据集介绍

构建方式

在机器人操作领域，数据驱动的模仿学习正逐步成为核心技术路径。本数据集由LeRobot框架构建，专注于机器人物体交互任务。数据采集过程中，操作员通过远程操控so_follower机器人，执行关闭上层抽屉这一精细操作，共收录14个完整演示片段，累计11913帧时序数据。传感器配置涵盖双视角摄像头与关节状态记录，其中关节数据包括六自由度的位置信息，形成了高保真的动作-状态对齐序列。

特点

该数据集具备多模态融合与结构化存储的显著特征。视觉模块以480×640分辨率、30帧/秒的AV1编码视频记录dual视角影像，为模仿学习提供丰富的时空特征。运动数据精确同步于视觉流，包含肩部、肘部、腕部及夹爪的连续位置轨迹。数据以分块parquet格式组织，匹配LeRobot标准协议，便于与机器人学习框架无缝对接。

使用方法

数据集可直接用于基于LeRobot的机器人策略训练实践。用户可通过框架内置的数据加载器读取分块parquet文件与关联视频，构建动作、状态与图像观察的监督学习管线。典型应用场景包括行为克隆与隐式策略学习，利用14段专家演示来训练机器人复现抽屉关闭操作。数据默认全量划分为训练集，支持端到端的模仿学习模型开发与验证。

背景与挑战

背景概述

在机器人学习领域，从人类演示中学习操作技能是实现通用智能机器人的重要途径之一。close-upper-drawer-r1_emp_train数据集由KS325研究团队基于LeRobot框架创建，旨在为机器人精细化操作任务提供高质量的训练数据。该数据集聚焦于“关闭上层抽屉”这一典型家居操作场景，采集了14个完整演示片段，共计11913帧，包含6维关节动作指令与双视角视觉观测信息。尽管数据集规模有限，但其结构化的数据格式与标准化的动作空间设计，为后续迁移学习与多任务泛化研究奠定了基础。作为一个专注于单一精细操作动作的数据集，它在推动机器人从简单抓取向复杂交互行为演进的过程中扮演了示范性角色。

当前挑战

该数据集所面临的挑战主要体现在两个方面。首先，从领域问题来看，机器人精细操作任务要求机械臂准确理解物体空间关系并执行连续协调动作，而“关闭抽屉”这类任务涉及对推拉力度、关节角度与视觉反馈的精确耦合，单一任务数据集难以覆盖现实场景中的抽屉类型、摩擦系数与初始状态变异性，模型泛化能力受到严重制约。其次，在构建过程中，数据采集需要操作者重复演示低容差动作，14个片段仅能捕捉有限的操作模式；同时，双摄像头设置虽提供了额外视角，但视频编码格式与数据同步处理增加了预处理复杂度；此外，动作空间与状态空间均为6维，缺少力传感器反馈，限制了模型对接触式操作的精细建模能力。

常用场景

经典使用场景

在机器人学习与操控领域，close-upper-drawer-r1_emp_train数据集为模仿学习与行为克隆算法提供了精良的训练素材。该数据集聚焦于机器人执行关闭上层抽屉这一精细操作任务，通过记录14个完整演示片段、总计约11913帧的高频时序数据，涵盖了机器人6自由度关节状态与双视角视觉观测信息。研究者可借此训练模型学习从多模态感知到动作输出的映射关系，是验证基于示教学习的机器人技能获取范式的经典基准数据。

实际应用

在实际应用中，该数据集赋能智能家居与工业辅助机器人实现自适应物体操控。通过学习关闭上层抽屉的操纵模型，机器人能够适应不同阻尼、缝隙偏移的抽屉结构，在仓储管理或家庭服务场景中完成非结构化环境下的物体收纳任务。其双摄像头设置兼容了多视角场景感知，可迁移至相似的柜门开合、推拉等日常操作，为商业化服务机器人的灵巧操作能力构建了低成本、高效率的验证原型。

衍生相关工作

基于该数据集衍生的经典工作主要集中于模仿学习中的数据增强与政策优化方向。研究者利用多视角图像与状态序列，探索了基于Transformer的隐式行为克隆（IBC）架构在少样本场景下的表现，并催生了融合扩散概率模型的动作生成策略。此外，该数据集也启发了对动态运动基元（DMP）与残差策略结合的混合控制方法研究，其公开的标准化格式进一步适配了LeRobot框架下的多种模型训练流水线，推动了对齐式示教数据在机器人社区中的共享与复用。