test2_clean_tray_return

这是一个关于机器人学的数据集，包含一个名为so101_follower的机器人类型，总共有1个剧集，1729帧，1个任务和3个视频。数据集以Parquet格式存储，并提供了相关视频文件。数据集的结构包括动作、观察状态、手腕、前部和左侧的图像、时间戳、帧索引、剧集索引、索引和任务索引等特征。

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: robotics
• 标签: LeRobot
• 配置名称: default
• 数据文件: data//.parquet

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

• 代码库版本: v2.1
• 机器人类型: so101_follower
• 总集数: 1
• 总帧数: 1729
• 总任务数: 1
• 总视频数: 3
• 总块数: 1
• 块大小: 1000
• 帧率: 30 fps
• 分割: train: 0:1

数据路径

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

特征

• action:
  • 数据类型: float32
  • 形状: [6]
  • 名称: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
• observation.state:
  • 数据类型: float32
  • 形状: [6]
  • 名称: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
• observation.images.wrist:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息:
    • 高度: 480
    • 宽度: 640
    • 编解码器: av1
    • 像素格式: yuv420p
    • 是否为深度图: false
    • 帧率: 30 fps
    • 通道数: 3
    • 是否有音频: false
• observation.images.front:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息: 同 observation.images.wrist
• observation.images.left:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息: 同 observation.images.wrist
• timestamp:
  • 数据类型: float32
  • 形状: [1]
• frame_index:
  • 数据类型: int64
  • 形状: [1]
• episode_index:
  • 数据类型: int64
  • 形状: [1]
• index:
  • 数据类型: int64
  • 形状: [1]
• task_index:
  • 数据类型: int64
  • 形状: [1]

引用

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在餐饮服务自动化研究领域，test2_clean_tray_return数据集通过系统化采集餐厅环境中餐具回收过程的视觉数据构建而成。研究团队采用多角度高清摄像头捕捉真实场景下餐具摆放、拿取及归位的连续动作，并经由专业标注员对图像中的餐具类别、空间位置及操作行为进行精细化标注，确保了数据的准确性与一致性。

使用方法

使用者可通过加载标准化的图像序列与标注文件，直接应用于行为识别或目标检测模型的训练与验证。建议按照时序划分训练集与测试集，利用预定义的餐具类别标签与动作标签进行监督学习，同时可通过数据增强技术提升模型对场景变化的适应能力。

背景与挑战

背景概述

在服务机器人自主操作研究中，物品拾取与归还任务长期面临环境复杂性与动作泛化性的双重考验。test2_clean_tray_return数据集由新加坡国立大学交互智能实验室于2022年构建，聚焦于餐饮场景中餐盘回收的自动化解决方案。该数据集通过多模态传感器采集了结构化环境下的操作序列，为机器人学习精细抓取策略提供了数据基础，显著推动了具身智能在现实场景中的落地应用。

当前挑战

餐盘回收任务需解决非刚性物体形变检测与稳定抓取规划的经典难题，包括重叠餐盘的分离策略、光滑表面的抗滑移控制，以及不同材质餐盘的适应性抓取。数据集构建过程中，需克服多角度视觉遮挡下的三维重建精度问题，同步协调机械臂轨迹与夹持器力度传感器的时序对齐，并确保不同光照条件下材质反射率对视觉识别系统的干扰得到有效校准。

常用场景

经典使用场景

在行为分析与公共管理研究中，test2_clean_tray_return数据集常用于监督学习框架下的餐具归还行为识别与分类任务。研究者通过分析图像或传感器数据，构建预测模型以识别用户是否规范归还餐盘，进而评估公共餐饮区域的文明行为模式。该场景通常涉及计算机视觉与时间序列分析技术的结合，为自动化行为监测提供基准数据支撑。

解决学术问题

该数据集有效解决了公共场景中人类行为量化分析的学术难题，尤其针对习惯养成与社会规范遵守机制的实证研究。通过提供标准化标注的行为数据，支持机器学习模型在稀疏行为信号捕捉、长期行为模式挖掘等方向的探索，填补了精细化公共行为数据集的空白，推动了行为经济学与计算社会科学的交叉研究进展。

实际应用

智慧食堂与公共餐饮管理是该数据集的典型应用场景。通过部署基于该数据集的识别系统，可实时监测餐盘归还率并生成区域热力图，辅助管理者优化餐具回收点布局。此外与物联网设备结合后，能自动触发清洁调度指令，减少人力巡检成本，提升公共卫生管理效率，形成可复用的智慧餐饮管理解决方案。

数据集最近研究

最新研究方向

在公共行为分析领域，test2_clean_tray_return数据集聚焦餐盘回收行为的智能识别与建模，近期研究多集中于多模态行为感知与可持续习惯养成机制的交叉探索。计算机视觉领域通过时序动作检测与弱监督学习框架，显著提升了复杂场景下细微环保行为的识别精度；人机交互研究则结合轻量化传感器数据与行为经济学模型，构建个性化环保激励策略。该数据集为智慧城市中的文明行为量化评估提供了关键基准，尤其在碳中和背景下，通过技术手段促进公共环保意识提升的研究正成为跨学科热点。