Lerori/dataset_act1

---
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=Lerori/dataset_act1">
<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": 90,
"total_frames": 31057,
"total_tasks": 3,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:90"
},
"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": [
600,
800,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 600,
"video.width": 800,
"video.codec": "h264",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.side.right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "h264",
"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

在机器人学领域，高质量的数据集对于推动智能体行为学习至关重要。dataset_act1数据集依托LeRobot框架构建，通过采集真实机器人交互数据形成结构化记录。该数据集包含90个完整任务片段，总计31057帧数据，以30帧每秒的速率录制，数据以分块形式存储于Parquet文件中，每块约1000帧，确保了高效的数据管理与访问。

使用方法

使用该数据集时，研究者可通过加载Parquet文件直接访问结构化数据，每个数据点包含时间戳、帧索引、任务索引及分块信息，便于按需提取。数据集适用于机器人模仿学习、行为克隆及强化学习等任务，用户可结合视觉观测与关节状态数据训练策略网络，或利用多视角视频进行视觉表征学习。数据集已划分为训练集，涵盖全部90个片段，支持端到端的模型训练与评估。

背景与挑战

背景概述

在机器人学习领域，高质量、多模态数据集是推动模仿学习与强化学习算法发展的基石。dataset_act1数据集由LeRobot项目团队构建，依托Apache 2.0开源协议发布，专注于机器人操作任务的演示数据收集。该数据集针对so_follower型机器人，包含90个完整任务片段、超过31000帧的多视角视觉观测与对应关节动作数据，旨在为机器人技能学习提供丰富的真实世界交互轨迹。其核心研究问题在于如何利用视觉与状态观测序列，训练机器人执行复杂的操作任务，从而促进具身智能在动态环境中的适应性研究。

当前挑战

dataset_act1数据集致力于解决机器人模仿学习中的多模态感知与动作生成挑战，即如何从高维视觉输入中提取有效特征并映射为精确的关节控制指令。构建过程中面临多重困难：数据采集需协调多摄像头同步录制，确保视觉帧与机器人状态的时间对齐；原始视频与传感器数据的存储与处理规模庞大，需高效压缩与分块管理；此外，标注动作轨迹的准确性与一致性要求高，需克服机器人动力学噪声与环境干扰，保证演示数据的可靠性与泛化能力。

常用场景

经典使用场景

在机器人学习领域，dataset_act1数据集以其多模态观测与动作序列的丰富记录，成为模仿学习与强化学习算法验证的经典资源。该数据集通过so_follower型机器人采集了涵盖三个任务的90个完整交互片段，包含关节位置状态、多视角视觉图像及时间戳信息，为研究者提供了从原始传感器输入到控制指令的端到端数据流。其结构化存储格式便于高效加载与批处理，常被用于训练机器人从视觉感知中理解环境并生成连续动作策略，尤其在基于视觉的机械臂操控任务中展现出重要价值。

解决学术问题

dataset_act1数据集有效应对了机器人学中数据驱动方法面临的若干核心挑战，特别是解决了真实世界交互数据稀缺且获取成本高昂的问题。它通过标准化格式整合了高维视觉观测与低维动作空间，为研究跨模态表征学习、时序决策建模以及样本效率提升提供了坚实基础。该数据集支持对模仿学习中的行为克隆、逆强化学习等算法进行系统评估，并有助于探索在部分可观测环境下如何利用多视角视觉信息增强策略的泛化能力与鲁棒性，推动了数据高效型机器人控制方法的发展。

实际应用

在实际机器人系统部署中，dataset_act1数据集所对应的任务场景可直接映射到工业自动化与辅助服务领域。例如，基于该数据集训练的模型能够指导机械臂完成物品抓取、放置或简单装配等操作，这些技能在仓储物流、柔性制造生产线中具有广泛应用前景。多视角视觉数据的引入使得机器人能够在复杂光线或遮挡条件下仍保持可靠感知，提升了在非结构化环境中执行任务的适应性。此外，数据集提供的真实交互轨迹可作为仿真环境的重要补充，加速实际机器人系统的调试与部署流程。

数据集最近研究

最新研究方向

在机器人学领域，模仿学习正成为推动智能体自主操作的关键范式。dataset_act1作为基于LeRobot平台构建的数据集，其多视角视觉观测与关节状态动作的同步记录，为机器人控制策略的端到端学习提供了丰富资源。当前研究聚焦于利用此类数据集训练视觉-动作映射模型，探索在少样本或零样本场景下的泛化能力，以应对真实世界任务的复杂性与多样性。随着具身智能和通用机器人模型的兴起，该数据集支持的研究方向正与大规模多任务学习、跨模态表示对齐等前沿议题紧密结合，旨在突破传统编程局限，实现更灵活、自适应的人机协作系统。