jinkami07/so101_pick_blue_tape_ep09

---
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=jinkami07/so101_pick_blue_tape_ep09">
<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": "so_follower",
"total_episodes": 1,
"total_frames": 300,
"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": [
"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.wrist": {
"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

在机器人操作任务领域，数据集的构建往往依赖于实际物理系统的交互记录。本数据集依托LeRobot平台，通过搭载特定机械臂的机器人系统，在真实环境中执行拾取蓝色胶带的任务。数据采集过程以30帧每秒的频率同步记录机器人的关节位置状态、末端执行器图像及时间戳信息，形成连续的动作-观测序列。原始数据经过结构化处理，被分割为包含300帧的单一完整片段，并以Parquet格式存储，确保了数据的高效访问与完整性。

特点

该数据集的核心特征在于其多模态数据的紧密对齐与高精度时序同步。观测部分不仅包含六自由度机械臂的精确关节角度，还提供了腕部摄像头采集的480x640分辨率RGB视频流，为视觉-动作联合建模提供了丰富信息。数据结构的规范性体现在每个样本均附带帧索引、片段标识及任务标签，便于进行序列化分析与模型训练。数据集规模虽为单次任务记录，但其高帧率与多维特征为研究机器人精细操作策略提供了高质量的基准资源。

使用方法

使用本数据集时，研究者可通过LeRobot提供的标准数据加载接口直接读取Parquet文件，快速获取结构化的状态-动作对序列。数据集已预划分为训练集，适用于模仿学习、行为克隆等算法的训练与验证。在具体应用中，可联合利用关节位置数据与同步视频帧，构建端到端的机器人控制模型。数据集的时序一致性支持进行序列预测任务，而清晰的元数据结构则便于进行数据切片、批量加载及可视化分析，加速机器人学习算法的开发流程。

背景与挑战

背景概述

在机器人学习领域，模仿学习与强化学习等数据驱动方法正日益成为实现复杂操作任务的关键途径。so101_pick_blue_tape_ep09数据集依托LeRobot开源框架构建，专注于机器人灵巧操作任务，具体记录了机械臂执行拾取蓝色胶带这一精细动作的完整过程。该数据集由HuggingFace社区成员jinkami07于近期发布，其核心研究问题在于如何通过高质量、多模态的演示数据，有效训练机器人完成特定环境下的物体抓取与操作。它提供了包含关节状态、腕部摄像头图像及对应动作指令的时序序列，为机器人策略学习与行为克隆提供了宝贵的真实世界数据资源，有望推动家庭服务或工业场景中机器人自主操作能力的发展。

当前挑战

该数据集旨在解决机器人模仿学习中从视觉观察到连续动作映射的挑战，其核心问题在于如何让机器人通过有限的演示样本，泛化至动态或稍有变化的环境。具体挑战包括：在领域问题层面，机器人需从高维图像输入中理解物体姿态与场景语义，并生成精确、平滑的关节控制序列，这对模型的感知与运动规划能力提出了极高要求；在构建过程中，数据采集需确保动作演示的准确性与一致性，同时处理多传感器数据（如图像与状态）的精确时间同步，并需在有限的数据规模下保持足够的信息密度与任务多样性，以支撑后续模型的鲁棒学习。

常用场景

经典使用场景

在机器人操作学习领域，so101_pick_blue_tape_ep09数据集为模仿学习与强化学习算法的训练与评估提供了关键支持。该数据集记录了机械臂执行拾取蓝色胶带任务的完整轨迹，包含关节位置、视觉观测及时间戳等多模态数据，能够模拟真实环境中的机器人操作过程。研究人员通常利用此类数据集训练端到端的控制策略，使机器人能够从视觉输入中直接推断动作指令，实现精准的物体抓取与放置任务。

实际应用

在实际工业自动化与物流分拣场景中，该数据集能够指导开发适应性强、鲁棒性高的机器人抓取系统。基于数据集训练的模型可部署于装配线或仓库环境，执行识别、抓取与移动不规则物体的任务，提升生产流程的灵活性与效率。此外，它也为服务机器人的人机协作操作提供了技术验证平台，助力实现更智能、安全的交互应用。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在机器人模仿学习与视觉运动策略的优化方面。例如，基于此类数据的研究催生了改进的行为克隆算法，以及结合动力学模型的混合学习方法。这些工作进一步拓展了多任务学习与元学习在机器人领域的应用，并促进了开源机器人学习框架如LeRobot的生态发展，为社区提供了可复现的基准与工具链。