dillonlyr04/eval_act_7-Apr-set1

---
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).

## 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": "bi_so100_follower",
"total_episodes": 1,
"total_frames": 273,
"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": [
"left_shoulder_pan.pos",
"left_shoulder_lift.pos",
"left_elbow_flex.pos",
"left_wrist_flex.pos",
"left_wrist_roll.pos",
"left_gripper.pos",
"right_shoulder_pan.pos",
"right_shoulder_lift.pos",
"right_elbow_flex.pos",
"right_wrist_flex.pos",
"right_wrist_roll.pos",
"right_gripper.pos"
],
"shape": [
12
]
},
"observation.state": {
"dtype": "float32",
"names": [
"left_shoulder_pan.pos",
"left_shoulder_lift.pos",
"left_elbow_flex.pos",
"left_wrist_flex.pos",
"left_wrist_roll.pos",
"left_gripper.pos",
"right_shoulder_pan.pos",
"right_shoulder_lift.pos",
"right_elbow_flex.pos",
"right_wrist_flex.pos",
"right_wrist_roll.pos",
"right_gripper.pos"
],
"shape": [
12
]
},
"observation.images.right_arm": {
"dtype": "video",
"shape": [
720,
1280,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 720,
"video.width": 1280,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.top_view": {
"dtype": "video",
"shape": [
720,
1280,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 720,
"video.width": 1280,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.left_arm": {
"dtype": "video",
"shape": [
720,
1280,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 720,
"video.width": 1280,
"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

在机器人学领域，高质量的数据集对于算法验证与模型训练至关重要。eval_act_7-Apr-set1数据集依托LeRobot平台构建，通过采集双臂机器人bi_so100_follower的实际操作数据形成。数据以Parquet格式存储，采用分块结构组织，每块包含1000帧数据，总计273帧，涵盖单次任务执行的完整轨迹。数据采集过程同步记录机器人的关节位置状态、多视角视频流及时间戳信息，确保了时序对齐与多模态数据的完整性。

特点

该数据集的核心特征在于其丰富的多模态表示与精细的结构化设计。数据集中包含12维的关节位置动作向量与对应的观测状态，同时提供了来自右臂、左臂及顶视视角的三路高清视频流，分辨率均为1280x720，帧率为30fps，采用AV1编码。这种设计使得数据集能够同时支持基于状态的控制策略学习与视觉感知模型的训练。数据以分块形式存储，便于高效加载与处理，整体结构清晰，特征定义明确，为机器人模仿学习与行为克隆研究提供了扎实的数据基础。

使用方法

为有效利用该数据集进行机器人学习研究，使用者可通过LeRobot框架或直接读取Parquet文件来访问数据。数据按训练集划分，涵盖单个完整任务片段。在具体应用中，可同步提取每一时间步的动作指令、关节状态观测以及多视角图像序列，用于训练端到端的策略网络或进行行为分析。由于数据包含精确的时间戳与帧索引，便于进行时序建模与轨迹分析。研究者亦可利用其多模态特性，探索视觉-动作的联合表征学习，或验证不同控制算法在真实机器人数据上的泛化性能。

背景与挑战

背景概述

在机器人学习领域，高质量、大规模的数据集对于推动模仿学习与强化学习算法的进步至关重要。eval_act_7-Apr-set1数据集由Hugging Face的LeRobot项目创建，专注于双手机器人操作任务的数据收集。该数据集记录了机器人执行任务时的多模态观测数据，包括关节状态与多视角视频流，旨在为机器人动作评估与控制策略研究提供真实世界的交互轨迹。尽管其具体创建时间与核心研究人员信息尚未公开，但依托开源社区的力量，该数据集体现了当前机器人学习向数据驱动范式转型的趋势，为算法验证与基准测试提供了重要资源。

当前挑战

该数据集致力于解决机器人动作评估与控制中的复杂挑战，即如何在动态、非结构化的环境中实现精准、鲁棒的双臂协调操作。构建过程中面临多重困难：首先，数据采集需同步记录高维关节状态与多路高清视频，对硬件同步与存储提出了苛刻要求；其次，真实机器人操作存在噪声与不确定性，确保数据的一致性与标注准确性成为关键难题；最后，数据集规模相对有限，涵盖的任务多样性不足，可能限制其在泛化性与迁移学习方面的应用潜力。

常用场景

经典使用场景

在机器人学习领域，eval_act_7-Apr-set1数据集为双臂机器人操作任务提供了宝贵的演示数据。该数据集记录了机器人执行特定任务时的关节位置状态、动作指令以及多视角视觉观测，典型应用于模仿学习算法的训练与评估。研究人员能够利用这些同步采集的状态-动作对与视觉信息，构建从感知到控制的端到端策略模型，从而推动机器人自主执行复杂操作任务的能力发展。

解决学术问题

该数据集有效应对了机器人模仿学习中高质量、多模态演示数据稀缺的挑战。它通过提供精确的关节位置、动作序列及多摄像头视觉流，为解决从高维观测中学习稳健控制策略这一核心学术问题提供了基准。其结构化数据支持对策略泛化性、样本效率以及跨视角感知融合等关键研究方向进行系统性探索，显著降低了真实机器人实验的高昂成本与安全风险。

衍生相关工作

围绕此类机器人操作数据集，已衍生出众多经典研究工作。例如，基于行为克隆与逆强化学习的模仿学习框架常以此类数据为训练基础。此外，在视觉-动作表征学习、多任务策略迁移以及基于模型的强化学习等领域，该数据集也常被用作验证新算法性能的重要基准，催生了诸多旨在提升机器人操作技能泛化性与鲁棒性的创新方法。