Tna001/eval_pi05_full

---
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).

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=Tna001/eval_pi05_full">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## 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": "so100_tactile_follower",
"total_episodes": 4,
"total_frames": 758,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 5,
"splits": {
"train": "0:4"
},
"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": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.top": {
"dtype": "video",
"shape": [
224,
224,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 224,
"video.width": 224,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 5,
"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，高质量的数据集是算法验证与模型训练的关键基石。eval_pi05_full数据集依托LeRobot开源框架构建，其数据采集过程聚焦于机械臂操作任务，通过so100_tactile_follower型机器人执行特定任务序列，以5帧每秒的采样频率记录多模态观测信息。数据以分块形式组织，每个数据块包含动作指令、关节状态、顶部摄像头图像及时间索引等结构化特征，并以Parquet格式高效存储，确保了数据的完整性与可访问性。

特点

该数据集在机器人操作数据中展现出鲜明的技术特色，其核心在于融合了高维连续控制信号与同步视觉感知。数据集囊括了肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转及夹爪位置六维动作空间，并与同构的状态观测形成对应。尤为突出的是，数据集提供了分辨率为224x224的三通道顶部视角视频流，采用AV1编码压缩，在有限的数据体积下保持了视觉信息的丰富性。这种多模态对齐的结构为模仿学习与强化学习算法提供了坚实的实验基础。

使用方法

针对机器人学习研究，eval_pi05_full数据集的设计便于算法开发与性能评估。使用者可通过HuggingFace平台直接加载数据，利用预定义的数据路径访问分块的Parquet文件。数据集已划分为训练集，包含4个完整回合共758帧数据，适用于策略验证与小规模训练。研究人员可结合动作、状态与图像序列，构建端到端的控制模型，或利用时间戳、回合索引等元数据进行分析与可视化。数据集亦提供了在线可视化工具，支持动态浏览交互，辅助深入理解任务执行过程。

背景与挑战

背景概述

在机器人学习领域，高质量的数据集对于推动模仿学习与强化学习算法的进展至关重要。eval_pi05_full数据集由LeRobot项目团队创建，旨在为机器人操作任务提供一套标准化的评估基准。该数据集聚焦于机械臂的轨迹跟踪与视觉感知任务，通过整合关节位置状态、顶层摄像头图像以及精确的时间戳信息，为研究者提供了多模态的交互数据。其核心研究问题在于如何有效评估策略模型在真实或仿真环境中的泛化能力与鲁棒性，从而加速机器人智能控制系统的开发与部署。尽管数据集的具体创建时间与主要研究人员信息尚未公开，但其依托于开源社区的力量，显著降低了机器人学习研究的入门门槛，并为相关算法的公平比较奠定了数据基础。

当前挑战

eval_pi05_full数据集所针对的领域挑战在于机器人操作中的策略评估与泛化问题。具体而言，如何设计一个能够全面反映策略在多变环境中执行能力的评估框架，是当前机器人学习面临的关键难题。该数据集试图通过提供包含状态、动作与视觉观测的序列数据，来量化策略在特定任务上的性能，但评估指标的标准化与跨平台一致性仍需进一步探索。在构建过程中，数据采集面临诸多挑战，包括多传感器数据的精确同步、高维度图像与状态信息的有效压缩存储，以及在实际机器人平台上确保数据采集的可靠性与安全性。此外，数据集的规模相对有限，仅包含4个完整片段，这可能在统计意义上影响评估结果的稳健性，对算法的泛化能力提出更高要求。

常用场景

经典使用场景

在机器人学习领域，eval_pi05_full数据集为模仿学习与强化学习算法的评估提供了关键基准。该数据集通过记录六自由度机械臂在触觉跟随任务中的关节位置、图像观测及时间戳，构建了多模态交互序列。研究者可基于这些序列训练策略模型，验证算法在真实机器人环境下的泛化能力与稳定性，尤其适用于端到端控制方法的性能对比。

衍生相关工作

围绕该数据集，已衍生出多项关于机器人多模态融合与离线强化学习的研究。经典工作包括利用其视觉-状态联合表征改进策略蒸馏方法，以及基于时序建模预测机械臂运动轨迹。这些研究进一步推动了模仿学习框架的优化，并在触觉感知与视觉伺服结合的领域形成了新的技术范式。

数据集最近研究

最新研究方向

在机器人学习领域，eval_pi05_full数据集作为LeRobot项目的重要组成部分，正推动着模仿学习与强化学习的前沿探索。该数据集整合了多模态观测信息，包括关节状态与视觉图像，为开发端到端的机器人控制策略提供了丰富资源。当前研究热点聚焦于利用此类数据集训练大规模视觉-动作模型，旨在提升机器人在复杂环境中的泛化能力与操作精度。随着具身智能的兴起，这类高质量、结构化数据集对于促进机器人自主决策与技能迁移具有关键意义，有望加速家庭服务与工业自动化场景的实际应用。