gpriess/eval_smolvla-bi-yam-right-only-test-1_ckpt002000

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "bi_yam_follower",
"total_episodes": 1,
"total_frames": 289,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:1"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"shape": [
14
]
},
"observation.state": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_gripper.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_gripper.pos"
],
"shape": [
14
]
},
"observation.images.top_right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.wrist_right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"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
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是推动算法进步的关键基石。eval_smolvla-bi-yam-right-only-test-1_ckpt002000数据集依托LeRobot平台构建，其数据采集过程聚焦于双雅马哈跟随机器人（bi_yam_follower）的右臂操作。该数据集通过记录单次完整任务执行过程，以每秒30帧的速率捕获了289个连续帧，涵盖了机器人关节位置、夹爪状态以及来自顶部右侧和腕部右侧摄像头的视觉信息。数据以分块Parquet文件形式存储，并辅以对应的高清AV1编码视频，确保了时序动作与多模态观测的精确对齐。

使用方法

研究人员可通过LeRobot生态系统或兼容的数据加载工具直接访问此数据集。典型的使用流程包括：依据元数据配置文件解析数据块路径，并行加载Parquet格式的动作、状态及索引数据，同时关联读取相应MP4视频文件以获取同步的视觉观测。由于数据集仅包含单一训练分割，它主要适用于模型在特定右臂操作任务上的性能评估与验证。用户可提取时间戳对齐的多模态序列，用于训练或测试端到端的视觉运动控制模型，尤其适合探索在双视角视觉输入下，从演示中学习精确关节空间策略的方法。

背景与挑战

背景概述

在机器人学习领域，高质量的行为数据集对于推动模仿学习与强化学习算法的进步至关重要。eval_smolvla-bi-yam-right-only-test-1_ckpt002000数据集由HuggingFace的LeRobot项目创建，专注于双雅马哈机器人跟随任务。该数据集通过记录机器人关节位置、夹爪状态及多视角视觉观测，为研究复杂机械臂的协同控制与视觉感知融合提供了实证基础。其结构化设计体现了当前机器人数据标准化与可复现性的前沿趋势，旨在加速端到端策略学习模型的开发与评估。

当前挑战

该数据集致力于解决双机器人协同操作中的动作规划与视觉引导挑战，其核心难点在于如何从异构传感数据中提取鲁棒特征以实现精准的跟随行为。构建过程中，数据同步与对齐构成显著障碍，需确保多关节状态与高帧率视频流间的时间一致性。此外，数据规模有限，仅包含单次任务演示，可能制约模型泛化能力的充分验证。视觉数据的压缩编码与存储效率亦需权衡，以维持数据质量与可用性之间的平衡。

常用场景

经典使用场景

在机器人学习领域，双臂协同操作是提升自动化系统灵活性与智能水平的关键挑战。eval_smolvla-bi-yam-right-only-test-1_ckpt002000数据集通过记录双雅马哈机械臂的关节位置、夹爪状态及多视角视觉数据，为模仿学习与强化学习算法提供了丰富的训练样本。该数据集典型应用于训练模型学习复杂的双臂协调任务，例如物体抓取与放置，通过端到端的学习框架，使机器人能够从视觉观察中直接推断出精确的动作指令。

解决学术问题

该数据集有效应对了机器人学中多模态感知与动作生成的融合难题。它整合了高维关节状态与视觉信息，为研究跨模态表示学习提供了实验基础，有助于解决传统方法中感知与决策模块割裂的问题。通过提供结构化且同步的多源数据，该数据集支持开发更鲁棒与泛化能力强的控制策略，推动了从仿真到真实世界迁移的研究进展，对提升自主机器人的适应性与可靠性具有显著意义。

实际应用

在实际工业与服务业场景中，双臂机器人系统常被部署于装配线、物流分拣或精密操作任务。eval_smolvla-bi-yam-right-only-test-1_ckpt002000数据集所蕴含的协同操作数据，可直接用于优化现实环境中的机器人控制算法，降低人工编程成本。例如，在柔性制造中，该数据集能助力训练机器人自主完成复杂部件的组装，提升生产线的自动化程度与效率，为智能工厂的构建提供技术支撑。

数据集最近研究

最新研究方向

在机器人学领域，双机械臂协同操作正成为前沿研究热点，旨在提升复杂任务的自主执行能力。eval_smolvla-bi-yam-right-only-test-1_ckpt002000数据集通过LeRobot框架生成，专注于双机械臂跟随任务的评估，其结构包含关节位置、视觉观测及时间序列等多模态数据。当前研究趋势集中于利用此类数据集训练端到端强化学习模型，以优化机械臂的实时控制策略，并结合视觉-动作映射技术，推动机器人在动态环境中的适应性与泛化性能。这一方向与开源机器人社区的发展紧密相连，促进了数据驱动方法的标准化，为低成本、高效率的机器人学习系统提供了关键验证基础。