shelf_bin_long

该数据集使用LeRobot创建，与机器人学相关，具体包括机器人关节角度、末端执行器姿态、目标末端执行器姿态等多种观测数据和动作数据。数据集包含1657个剧集，共525228帧，分为2个块，每个块包含1000个数据点。数据集的帧率为50帧/秒，仅包含训练集分割。数据以Parquet文件格式存储，并提供了相关视频文件。该数据集的许可是Apache-2.0。

原始信息汇总

数据集概述

基本信息

• 许可证: apache-2.0
• 任务类别: 机器人学 (robotics)
• 标签: LeRobot, libero, easo, rlds

数据集描述

• 创建工具: LeRobot
• 主页: [More Information Needed]
• 论文: [More Information Needed]

数据集结构

• 数据文件格式: Parquet (data//.parquet)
• 元数据文件: meta/info.json

元数据详情

• 代码库版本: v2.0
• 机器人类型: easo
• 总片段数: 1657
• 总帧数: 525228
• 总任务数: 1
• 总视频数: 0
• 总块数: 2
• 块大小: 1000
• 帧率: 50 fps
• 分割: 训练集 (0:1657)

数据路径

• 数据路径模板: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径模板: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

特征

• observation.joint_angles: 浮点型 (float32), 形状 [7]
• observation.eef_pose: 浮点型 (float32), 形状 [6]
• observation.target_eef_pose: 浮点型 (float32), 形状 [6]
• actions: 浮点型 (float32), 形状 [8]
• observation.images.right_robot_camera: 图像型, 形状 [240, 320, 3]
• observation.images.base_camera: 图像型, 形状 [240, 320, 3]
• timestamp: 浮点型 (float32), 形状 [1]
• frame_index: 整型 (int64), 形状 [1]
• episode_index: 整型 (int64), 形状 [1]
• index: 整型 (int64), 形状 [1]
• task_index: 整型 (int64), 形状 [1]

引用

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，高质量的数据集对于算法训练和系统验证至关重要。shelf_bin_long数据集基于LeRobot平台构建，采用分布式存储架构，将1657个训练片段划分为2个数据块，每个数据块包含1000个片段。数据以Parquet格式存储，确保了高效的数据读取和处理。该数据集以50Hz的采样频率捕获机器人操作过程中的多维信息，包括关节角度、末端执行器位姿、目标位姿以及多视角图像数据，为机器人学习任务提供了丰富的原始素材。

使用方法

针对机器人学习研究者的需求，shelf_bin_long数据集提供了清晰的使用路径。数据文件按照'data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet'的层级结构组织，研究者可通过指定片段编号和索引值精准定位所需数据。数据集兼容主流的机器学习框架，其标准化的特征结构可直接输入到深度神经网络中。对于时序建模任务，建议结合帧索引和时间戳信息构建连续轨迹；而对于视觉-动作联合学习，则可同步调用图像数据和对应的控制指令。数据集采用Apache-2.0许可协议，允许研究者自由地进行学术和商业用途的开发。

背景与挑战

背景概述

shelf_bin_long数据集由LeRobot团队基于Apache-2.0协议构建，专为机器人操作任务设计。该数据集包含1657个完整操作序列，涵盖525228帧多模态数据，采用EASO机器人平台以50Hz频率采集。其核心研究聚焦于机械臂在仓储分拣场景下的高精度位姿控制问题，通过整合关节角度、末端执行器位姿、双视角视觉等多维度观测数据，为模仿学习与强化学习算法提供了标准化训练基准。数据集的发布填补了工业场景长时序操作数据集的空白，对推动机器人自主操作系统的研发具有重要意义。

当前挑战

该数据集需解决机器人操作领域的两大核心挑战：在任务层面，如何实现机械臂在动态环境中的毫米级位姿控制精度与长时序动作连贯性；在数据构建层面，需克服多传感器时序同步、大规模视频数据存储优化等技术难点。具体而言，末端执行器6自由度位姿标注的实时性要求与7自由度关节空间数据的精确映射构成算法开发的主要瓶颈，而240×320分辨率双视角视频流与8维动作空间的联合建模则对计算架构提出更高要求。

常用场景

经典使用场景

在机器人操作任务的研究中，shelf_bin_long数据集为机械臂在货架和箱子环境中的长期操作提供了丰富的实验数据。该数据集通过记录机械臂的关节角度、末端执行器位姿以及多视角的视觉信息，为研究人员提供了模拟真实仓储物流场景的宝贵资源。

解决学术问题

该数据集有效解决了机器人操作任务中缺乏长期、连续操作数据的学术难题。通过提供高频率的传感器数据和精确的动作记录，研究人员能够深入分析机械臂在复杂环境中的操作策略，为机器人控制算法的优化和强化学习模型的训练奠定了数据基础。

实际应用

在实际应用中，shelf_bin_long数据集为仓储物流自动化系统的开发提供了重要支持。基于该数据集训练的模型能够提升机械臂在货物分拣、堆叠等任务中的效率和准确性，为智能仓储系统的实现提供了技术保障。

数据集最近研究

最新研究方向

在机器人操作领域，shelf_bin_long数据集凭借其丰富的多模态观测数据和精确的动作记录，正成为强化学习和模仿学习研究的重要资源。该数据集通过整合关节角度、末端执行器姿态以及多视角视觉信息，为机器人抓取和放置任务的算法开发提供了高保真的仿真环境。近期研究热点集中在利用此类数据提升机器人对复杂场景的理解能力，特别是在非结构化环境下的长期任务规划。随着LeRobot等开源平台的普及，该数据集在推动机器人操作技能迁移和跨任务泛化方面展现出巨大潜力，为智能仓储和工业自动化等应用场景提供了关键技术支持。