pargup/eval_so100_blue_bottle_v4

该数据集是通过LeRobot创建的，主要用于机器人技术领域。数据集包含14个总片段，17024帧，1个总任务，数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集的结构包含动作、观测状态、观测图像（头顶和手腕视角）、时间戳、帧索引、片段索引、索引和任务索引等特征。

This dataset was created using LeRobot and is primarily used in the field of robotics. It contains a total of 14 episodes, 17024 frames, and 1 task. The data files are 100MB in size, and the video files are 200MB in size, with a frame rate of 30fps. The dataset structure includes features such as actions, observation states, observation images (overhead and wrist views), timestamps, frame indices, episode indices, indices, and task indices.

搜集汇总

数据集介绍

构建方式

本数据集依托于LeRobot框架构建，旨在为机器人操作任务提供标准化的训练与评估数据。数据采集自so100_follower型机器人，通过遥操作方式记录其在蓝瓶拾取与放置任务中的完整执行序列。数据集共包含14个演示回合，总计17,024帧图像与状态信息，并以30帧每秒的采样频率进行录制。数据以分块形式存储，其中动作与观测状态均为6维浮点向量，涵盖肩部旋转、肘部弯曲、腕部屈伸及夹爪开合等关键关节角度。视觉信息则由顶置与腕部两个视角的RGB视频流构成，分辨率统一为640×480像素，采用AV1编码压缩，兼顾数据质量与存储效率。

使用方法

用户可通过LeRobot库中的数据集加载接口直接调用本数据集，其预设的默认配置会自动解析parquet格式的轨迹数据与对应的视频文件。在训练过程中，可依据`episode_index`字段遍历完整的演示回合，利用`observation.state`与`observation.images`作为模型输入，以`action`作为监督目标。数据集已预设训练集覆盖全部14个回合，无需额外拆分。建议使用PyTorch DataLoader配合LeRobot的采样器进行批次构建，并利用`fps`信息进行时间维度的对齐与重采样，以适应不同算法的时序建模需求。

背景与挑战

背景概述

eval_so100_blue_bottle_v4数据集由Hugging Face团队基于LeRobot框架创建，主要面向机器人学领域的模仿学习与操作技能研究。该数据集聚焦于一个特定的任务：机械臂拾取蓝色瓶子，记录了14个完整轨迹，包含17024帧观察与动作数据，采集频率为每秒30帧。核心研究问题在于如何通过少量示教数据训练机器人完成精确的抓取操作，特别是针对具有特定颜色和形状的目标物体。作为LeRobot生态系统中的基准数据集之一，它为评估模仿学习算法在轻量级机器人平台（如so100_follower）上的表现提供了标准化测试平台，推动了机器人学习领域从仿真环境向真实物理系统的迁移。

当前挑战

该数据集所解决的领域问题是机器人操作技能学习中的小样本模仿与泛化挑战，即如何在仅有14条示教轨迹的条件下，使机器人能够稳定复现拾取蓝色瓶子的动作，并应对光照、视角和物体位姿的细微变化。构建过程中面临的关键挑战包括：精确同步多视角（顶视与腕部）的高清视频流与六自由度关节状态数据，确保时序对齐；在有限数据量下保持动作的平滑性与鲁棒性，避免过拟合；以及硬件层面的兼容性问题，如不同so100_follower机械臂的机械差异对数据一致性的影响。

常用场景

经典使用场景

在机器人学习与模仿学习的前沿领域，eval_so100_blue_bottle_v4 数据集为基于视觉的机械臂操作任务提供了标准化基准。该数据集聚焦于单一但精细的操控场景——机械臂抓取并挪动蓝色瓶子，采集自SO-100六自由度串联机器人，包含14个完整演示片段、逾17000帧时序数据。每帧同步记录六维关节状态、高帧率俯视与腕部摄像头图像，以及对应的动作指令，构成模仿学习中状态-动作对的理想训练材料。其经典用法是作为行为克隆（BC）或逆强化学习（IRL）算法的输入，尤其适用于端到端策略学习，通过观测图像序列与关节角度，直接预测下一时刻的动作指令，验证算法在精细操控任务上的泛化潜力。

解决学术问题

该数据集精准回应当前机器人学习领域的核心瓶颈：如何从少量演示中高效获取可泛化的操控策略。传统强化学习依赖海量试错与复杂奖励工程设计，而eval_so100_blue_bottle_v4以其精心标注的多模态数据，使研究者得以聚焦于少样本模仿学习与视觉运动策略的迁移能力。它解决了因果混淆与多模态分布外泛化等经典难题——例如，模型能否从俯视与腕部视角的组合中抽象出瓶子的位置与姿态，并忽略背景噪声。此外，数据集预先划分训练集与测试集，为公平比较不同算法（如扩散策略、高斯混合模型）在相同设定下的表现提供标准平台，推动机器人从静态程序执行向基于数据驱动的自适应行为的范式跃迁。

实际应用

在现实工业与服务业场景中，eval_so100_blue_bottle_v4所代表的精细化操作能力极具转化价值。例如，在药品分拣流水线上，机器人需精确识别并抓取不同容器，数据集中蓝色瓶子的特征为视觉检测算法提供了鲁棒锚点；在实验室自动化场景中，机械臂需执行移液、旋盖等重复性高但容错率低的任务，模仿学习策略可直接从该数据集习得的动作基元中迁移。更广泛地，其双视角视觉架构（俯视全局定位+腕部精细判别）可直接部署于仓储机器人，实现货架上的异形物体抓取。数据集Apache-2.0许可协议的低门槛，进一步加速了从学术原型到工业原型的落地闭环。

数据集最近研究

最新研究方向

该数据集聚焦于基于视觉与状态观测的机器人精细操作技能学习，尤其在轻量级六自由度机械臂（so100_follower）的灵巧抓取任务中展现前沿价值。通过同步记录6维关节动作、顶置与腕部双视角高清视频流，为模仿学习与行为克隆提供了高保真轨迹样本。当前，该领域正热烈探讨如何利用小样本数据（仅14个episode）驱动策略泛化，诸如扩散策略与动作分块（Action Chunking）等架构的引入，使得在低延迟、高精度的蓝色瓶体拾取场景中，机器人能习得鲁棒的运动规划。这一工作与开放机器人具身智能基准（如LeRobot）的兴起紧密相连，推动了低成本、可复现的灵巧操作研究范式，为家庭服务与工业拣选中的细粒度操控难题提供了关键数据支撑。