earthrover-navigation-low-level-sdk

该数据集使用LeRobot创建，包含了行动、观察状态、前后摄像头图像等特征。数据集的结构在meta/info.json文件中定义，其中包括行动的线性速度和角速度，观察状态如电机状态、加速度、陀螺仪、磁力计、速度和航向等。前后摄像头图像为1080p视频流，编码格式为av1。数据集分为训练集，数据以parquet文件存储，视频文件以mp4格式存储。

原始信息汇总

数据集概述

基本信息

• 数据集名称: earthrover-navigation-low-level-sdk
• 创建工具: LeRobot
• 许可证: Apache-2.0
• 任务类别: 机器人学

数据集规模

• 总情节数: 1
• 总帧数: 178
• 总任务数: 1
• 数据文件总大小: 100 MB
• 视频文件总大小: 200 MB
• 帧率: 30 FPS

数据结构

• 数据文件格式: Parquet
• 数据文件路径模式: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件路径模式: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4
• 分块大小: 1000
• 数据划分: 训练集包含所有数据（索引 0:1）

数据特征

动作

• 数据类型: float32
• 形状: [2]
• 特征名: linear.vel, angular.vel

状态观测

• 数据类型: float32
• 形状: [15]
• 特征名: motor_Fl, motor_Fr, motor_Br, motor_Bl, accel_x, accel_y, accel_z, gyro_x, gyro_y, gyro_z, mag_x, mag_y, mag_z, speed, heading

图像观测（前视摄像头）

• 数据类型: 视频
• 形状: [1080, 1920, 3]
• 分辨率: 1920x1080
• 通道数: 3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图
• 无音频

图像观测（后视摄像头）

• 数据类型: 视频
• 形状: [1080, 1920, 3]
• 分辨率: 1920x1080
• 通道数: 3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图
• 无音频

元数据

• 时间戳: float32, 形状 [1]
• 帧索引: int64, 形状 [1]
• 情节索引: int64, 形状 [1]
• 索引: int64, 形状 [1]
• 任务索引: int64, 形状 [1]

技术信息

• 代码库版本: v3.0
• 机器人类型: earthrover_mini_plus

搜集汇总

数据集介绍

构建方式

在机器人导航领域，高质量的数据集对于模型训练至关重要。earthrover-navigation-low-level-sdk数据集借助LeRobot平台构建，通过EarthRover Mini Plus机器人采集真实世界的导航交互数据。数据以Parquet格式存储，包含单个任务的一个完整情节，共计178帧，采样频率为30赫兹。数据采集过程同步记录机器人的低级控制指令、多模态传感器观测及时间戳信息，确保了数据的时间对齐与完整性，为后续的端到端导航算法研究提供了坚实基础。

特点

该数据集的特点体现在其丰富的多模态观测与精细的动作标注。观测数据不仅包含前视与后视的高清视频流，分辨率达1080p，还整合了机器人的15维状态向量，涵盖电机转速、加速度计、陀螺仪、磁力计及速度与航向信息。动作空间则定义为二维连续控制，包括线速度与角速度。数据集结构清晰，通过元数据文件详细描述了各特征的维度、数据类型与命名，支持高效的并行读取与处理，适用于模仿学习与强化学习等算法的验证与开发。

使用方法

使用该数据集时，研究人员可依据提供的元数据配置文件，直接加载Parquet格式的数据文件进行解析。数据集已预分为训练集，涵盖全部情节，用户可通过索引访问每一帧的观测、动作及上下文信息。结合LeRobot工具链，能够便捷地实现数据可视化、模型训练与评估。该数据集适用于开发与测试低级控制策略，特别是在真实机器人平台上的导航任务中，为算法部署提供可靠的仿真与验证环境。

背景与挑战

背景概述

在机器人学领域，自主导航系统的研发长期依赖于高质量的真实世界交互数据，以训练和验证低层级控制策略。Earthrover导航低层级SDK数据集应运而生，它由HuggingFace的LeRobot项目团队构建，旨在为地面移动机器人提供丰富的多模态交互记录。该数据集聚焦于EarthRover Mini Plus平台，通过整合高帧率视觉观测、精确的惯性测量单元数据以及底层电机控制指令，为端到端强化学习与模仿学习算法提供了关键的训练资源。其核心研究问题在于如何从原始传感器输入中直接推导出稳健的连续控制动作，从而推动机器人在复杂非结构化环境中的自适应导航能力，对促进开源机器人生态与可复现研究具有显著影响力。

当前挑战

该数据集致力于解决移动机器人低层级运动控制这一核心领域问题，其挑战在于如何从高维、异构的传感器流（包括前视与后视高清视频、多轴IMU数据及电机状态）中学习出精确、平滑且安全的连续动作策略，以应对现实环境中动态障碍、地面扰动及光照变化等不确定性。在构建过程中，挑战同样突出：需确保大规模多模态数据的高效同步与对齐，维持时序一致性；处理高清视频流带来的巨大存储与计算开销；以及在有限硬件平台上实现数据采集的可靠性与完整性，避免传感器噪声或丢帧对数据质量造成影响。

常用场景

经典使用场景

在机器人导航领域，earthrover-navigation-low-level-sdk数据集为端到端强化学习算法的训练提供了关键支持。该数据集通过EarthRover Mini Plus机器人采集了包含前后视角高清视频、电机状态、惯性测量单元数据以及速度与航向信息的综合序列，使得研究者能够模拟真实环境下的低层级控制任务。经典应用场景聚焦于视觉-动作映射模型的开发，利用观测图像与底层动作指令的对应关系，训练机器人自主执行避障、路径跟踪等基础导航行为，为移动机器人在非结构化环境中的智能决策奠定数据基础。

衍生相关工作

围绕该数据集，已衍生出一系列专注于低层级机器人控制的经典研究工作。这些工作通常利用其多模态序列，开发端到端的视觉运动策略网络，将原始像素输入直接映射为连续控制指令。相关研究探索了基于模仿学习的轨迹复现、结合模型预测控制的强化学习框架，以及跨模态表征学习在导航任务中的有效性。这些成果不仅丰富了机器人自主决策的理论体系，也为LeRobot等开源生态提供了可复现的实验范例，促进了社区在真实硬件上验证算法的协作与创新。

数据集最近研究

最新研究方向

在机器人导航领域，低层级控制数据集正成为推动端到端学习范式发展的关键资源。earthrover-navigation-low-level-sdk数据集通过整合多模态传感器数据，包括高清视觉流与精确的电机状态信息，为研究视觉-动作映射的深度强化学习算法提供了实验基础。当前前沿探索聚焦于如何利用此类数据训练能够直接从原始像素输入生成稳健控制指令的模型，从而减少对传统手工设计管道的依赖。随着具身智能和自主系统在复杂环境中的部署需求增长，这类数据集促进了仿真到真实世界迁移学习的研究，旨在提升机器人在动态场景中的适应性与决策效率。其影响延伸至自动驾驶、野外勘探等热点应用，为构建通用型导航智能体奠定了数据基石。