遇见数据集

air_bag_wood_blue_plus30_black_green

收藏
Hugging Face2026-06-27 更新2026-06-29 收录
官方服务:

资源简介:

该数据集由LeRobot项目创建,专为机器人任务设计,包含152个完整的任务执行序列(episodes),总计47300个数据帧,覆盖2种不同任务。数据以分块Parquet文件存储,并附有MP4格式视频文件。核心特征包括:动作空间为6自由度机械臂的关节位置指令(涉及肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置);状态观测为对应的6维关节位置反馈;图像观测提供两个视角——前视摄像头和腕部摄像头,均为分辨率480x640、30帧/秒的RGB视频流。此外,数据集还包含时间戳、帧索引、episode索引、任务索引等元数据字段。所有数据均标记为训练集,适用于机器人模仿学习、行为克隆、视觉运动策略学习等研究任务。

This dataset is created by the LeRobot project and is designed for robotic tasks. It contains 152 complete task execution episodes, totaling 47,300 data frames, covering 2 different tasks. The data is stored in chunked Parquet files and includes corresponding MP4 video files. Core features include: action space as joint position commands for a 6-degree-of-freedom robotic arm (including shoulder translation, shoulder elevation, elbow flexion, wrist flexion, wrist rotation, and gripper position); state observation as corresponding 6-dimensional joint position feedback; image observation provides two perspectives—a front-view camera and a wrist-mounted camera, both with RGB video streams at 480x640 resolution and 30 frames per second. Additionally, the dataset includes metadata fields such as timestamps, frame indices, episode indices, and task indices. All data is labeled as training sets and is suitable for research tasks such as robot imitation learning, behavior cloning, and visual-motor policy learning.

创建时间:
2026-06-26
原始信息汇总

数据集概况

  • 名称: andrejarden/air_bag_wood_blue_plus30_black_green
  • 许可证: Apache-2.0
  • 任务类型: 机器人学 (Robotics)
  • 标签: LeRobot
  • 创建工具: 基于 LeRobot 框架生成

数据集结构

  • 代码库版本: v3.0
  • 机器人类型: so101_follower
  • 总片段数 (Episodes): 151
  • 总帧数: 47,296
  • 总任务数: 2
  • 块大小 (Chunks Size): 1000
  • 数据文件大小: 100 MB
  • 视频文件大小: 10,000 MB
  • 帧率 (FPS): 30
  • 数据集划分: 仅包含训练集("train" 映射到 0 至 151 片段)

数据特征

每条记录包含以下字段:

  • action (float32, 形状 ( [6] )): 机器人动作指令,包含肩部转动、肩部升降、肘部弯曲、腕部弯曲、腕部旋转、夹爪位置。
  • observation.state (float32, 形状 ( [6] )): 机器人状态观测,关节位置信息与动作指令一致。
  • observation.images.front (video, 尺寸 ( 480 imes 640 imes 3 ) 像素, 编码 h264):前置摄像头视频流,帧率 30 FPS,无音频。
  • observation.images.wrist (video, 尺寸 ( 480 imes 640 imes 3 ) 像素, 编码 h264):腕部摄像头视频流,帧率 30 FPS,无音频。
  • timestamp (float32, 形状 ( [1] )): 时间戳。
  • frame_index (int64, 形状 ( [1] )): 帧序号。
  • episode_index (int64, 形状 ( [1] )): 片段序号。
  • index (int64, 形状 ( [1] )): 索引。
  • task_index (int64, 形状 ( [1] )): 任务索引。

数据存储路径

  • 数据文件: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
  • 视频文件: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

可视化与引用

搜集汇总
数据集介绍
air_bag_wood_blue_plus30_black_green 数据集图片
构建方式
该数据集基于LeRobot框架构建,专注于机器人操作领域的模仿学习研究。数据通过so101_follower型机器人采集,涵盖151个完整任务回合,总计47296帧图像与动作序列。数据以Parquet格式存储元信息,并配备H.264编码的高清视频流,其中包含前置与腕部双视角640×480分辨率的视觉观测。数据集按1000帧为块进行切片组织,确保大规模数据的高效加载与索引。
使用方法
用户可通过HuggingFace的LeRobot集成工具直接加载数据集,利用LeRobot库中的辅助函数解析Parquet文件与视频流。使用时需依托datasets库读取数据,通过config指定'default'配置即可访问数据文件。由于数据集已划分训练集(前151个回合),开发者可快速构建模仿学习流水线,例如将action序列作为目标输出,结合observation.state与observation.images进行策略网络训练。可视化与调试可通过内置的HuggingFace Space交互界面完成。
背景与挑战
背景概述
air_bag_wood_blue_plus30_black_green数据集诞生于机器人学习与模仿学习快速发展之际,由研究团队利用开源框架LeRobot构建,旨在推动机器人从人类示范中习得精细操作技能。该数据集聚焦于机械臂在特定环境下的多任务执行,包含151个演示片段,总计近4.7万帧数据,覆盖动作序列、状态观测及前线与腕部视觉输入。其研究核心在于通过高保真度采集(30帧/秒、480×640分辨率)与标准化格式(Parquet+视频流),为机器人策略学习提供可靠的训练基础。作为Apache-2.0许可下的公开资源,该数据集在机器人领域内为多任务泛化与人机协同控制研究提供了新颖的基准,尤其适用于评估模型在有限示范下的学习效率与迁移能力。
当前挑战
当前数据集面临的首要挑战在于领域问题层面:如何利用少量演示(151个片段)驱动机器人掌握多样的操作任务,并克服仿真到现实部署中的泛化鸿沟。数据集中仅包含2种预设任务,其动作空间和视觉观测的高度结构化限制了模型对新场景的适应能力。构建过程中则遭遇了数据采集的瓶颈,包括高精度力矩控制的校准难度、多模态数据(视频与状态)的时间同步误差,以及存储与处理10GB视频流的计算资源开销。此外,机械臂的物理一致性(如关节限位与抓取力)在跨示范中难以保证,导致策略学习易受噪声干扰,需进一步引入鲁棒性算法或数据增强策略以缓解。
常用场景
经典使用场景
air_bag_wood_blue_plus30_black_green 数据集专为机器人示教学习与模仿学习研究而设计,核心用途在于训练机械臂通过视觉输入与环境感知进行精确操作。该数据集包含 151 个完整演示片段,共计 47,296 帧高质量的交互数据,涵盖两类不同的操作任务。每帧数据均记录六自由度关节状态指令与机器人本体状态,同时配备前视与腕部双视角高清视频(分辨率 480×640,30 帧/秒),为多模态机器人学习提供了丰富且结构化的训练样本。研究者可借助此数据集训练端到端的策略网络,使机器人从人类示教中泛化出稳健的操控技能,广泛应用于抓取、组装、分拣等精细操作场景。
解决学术问题
该数据集主要解决了机器人领域中从人类示教到技能迁移的核心学术困境。传统方法依赖大量手工编程与精确建模,而 air_bag_wood_blue_plus30_black_green 通过高保真的多模态数据记录,为行为克隆、逆向强化学习以及分布外泛化等算法的验证提供了标准化基准。其结构化的状态-动作对与同步视觉信息,使研究者能够系统性地探索如何在有限演示下提升策略的鲁棒性与泛化能力,尤其是在面对光照变化、物体位姿偏移等环境扰动时的适应性能。这一数据集的发布推动了模仿学习从实验室简化场景向实际复杂任务的跃迁,具有促进技能可复现性与算法公平对比的学术意义。
实际应用
在实际工业与家庭服务场景中,该数据集支持机器人快速部署无需重新编程的敏捷操控能力。例如,在仓储物流环节,通过学习数据集中的抓取演示,机械臂可精准拾取并放置易碎或异形包裹;在精密装配产线上,腕部摄像头提供的细粒度视觉信息使机器人能够完成微米级对位与插入操作。此外,数据集采集的 30 帧/秒连续动作轨迹,可直接用于构建自适应控制器,使机器人在餐具摆放、布料折叠等家政任务中展现出流畅的人机协作性能,极大地降低了传统工业机器人编程的时间与人力成本。
数据集最近研究
最新研究方向
该数据集聚焦于机器人操作技能学习的前沿方向,采用LeRobot框架构建,通过so101_follower型机械臂采集了151个示范回合、近4.7万帧数据,涵盖肩、肘、腕及夹爪的6维动作空间与状态信息,并辅以双视角(前视与腕部)高清视频流。这一结构化的多模态数据集为模仿学习与行为克隆提供了高质量训练样本,契合当前机器人领域从预编程向数据驱动范式转型的热点。结合大规模预训练与离线强化学习趋势,此类细粒度、多任务的操作数据集有望推动通用机器人技能获取的标准化与可复现性,加速具身智能在装配、抓取等复杂场景中的实用化进程。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务