salmonHan/record-test_20260528_000717

该数据集是使用LeRobot创建的机器人数据集，专为机器人任务设计。数据集包含1个完整任务片段，总帧数为1797帧，帧率为30fps。数据采用Apache 2.0许可证。数据集结构包括动作特征（6个关节位置：肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、观测状态特征（与动作相同的6个关节位置）、前视图像观测（720x1280分辨率、3通道的RGB视频）、时间戳、帧索引、片段索引、索引和任务索引。数据存储为Parquet格式，视频存储为MP4格式，适用于机器人控制、模仿学习或强化学习研究。This dataset is a robotics dataset created using LeRobot, designed for robotics tasks. It contains 1 complete episode with a total of 1797 frames at 30 fps, licensed under Apache 2.0. The dataset structure includes action features (6 joint positions: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper position), observation state features (same 6 joint positions as actions), front image observation (720x1280 resolution, 3-channel RGB video), timestamp, frame index, episode index, index, and task index. Data is stored in Parquet format and videos in MP4 format, suitable for robotics control, imitation learning, or reinforcement learning research.

搜集汇总

数据集介绍

构建方式

该数据集名为record-test_20260528_000717，采用LeRobot框架构建，专注于机器人操控领域的数据采集。数据集包含单一任务，共1个 episode，由1797帧连续动作与状态构成，采集频率为30帧/秒。数据通过相机与传感器同步记录，涵盖前视图像（分辨率720x1280，编码为AV1视频）、六维关节角度（肩部、肘部、腕部及夹爪位置）及时间戳等特征。数据以Parquet格式存储于chunk-xxx子目录中，视频文件则独立存放于videos目录，整体结构遵循LeRobot v3.0标准，便于后续扩展与复用。

特点

本数据集最突出的特点在于其高保真多模态同步记录能力。它同时提供了机器人动作指令（action）与观测状态（observation.state），二者维度一致，均为六自由度关节空间数据，方便进行模仿学习训练。前视图像为彩色视频流，具备720p分辨率与30帧/秒流畅度，编码采用高效的AV1格式，兼顾画质与存储效率。此外，数据集附加了详尽的元信息，如帧索引、episode编号及任务标签，支持细粒度数据切片与高效检索。总体规模约300MB（含视频），适用于小型机器人操作任务的演示学习与评估。

使用方法

使用者可通过LeRobot库加载该数据集，将其作为模仿学习或强化学习的基础训练集。数据集预定义了训练/测试划分（train: 0:1），即全部1个episode用于训练。加载后，用户能够灵活提取前视图像、关节状态及动作序列，配合时间戳与索引字段进行时序建模。典型应用场景包括训练机器人执行夹持与搬运任务，其开箱即用的API接口降低了数据预处理门槛。对于需要验证算法鲁棒性的研究，亦可基于该数据集构建多模态模型，探索视觉-动作联合表示的效率与泛化能力。

背景与挑战

背景概述

在机器人学习领域，模仿学习作为突破传统编程局限的关键范式，高度依赖高质量、结构化且可复现的任务演示数据集。record-test_20260528_000717数据集正是基于LeRobot框架由salmonHan团队构建，其诞生于对细粒度、多模态机器人操作数据标准化需求的响应。该数据集聚焦于so_follower型机器人，记录了单一任务、持续约1分钟的高频（30 FPS）操作序列，包含1797帧观测数据，同步采集了6自由度关节状态、动作指令以及720p高清视觉信息（front摄像头）。尽管规模有限，它验证了LeRobot数据格式（v3.0）在统一机器人数据采集、存储与共享流程中的可行性，为后续复杂任务数据集的扩展提供了技术原型与架构参考，对推动机器人领域数据生态的规范化具有奠基意义。

当前挑战

机器人操作领域的核心挑战在于构建高保真、多源异构的演示数据集以支撑策略泛化。在领域问题层面，该数据集所应对的挑战包括：如何在非结构化环境中捕获精准的关节空间动作与视觉-运动耦合关系，以及如何以统一格式兼容不同机器人形态和任务类型，避免数据孤岛。在构建过程中，面临的挑战尤为突出：其一，数据同步性要求极高，需确保30 FPS下动作序列、关节状态与流式视频帧的严格对齐；其二，单个episode的演示质量高度依赖遥操作或示教系统的鲁棒性，任何中断或噪声都会污染完整轨迹；其三，数据存储与压缩效率的权衡——高清视频（1280×720@av1）与parquet序列化格式虽平衡了质量与体积，但大规模场景下多文件分块（chunk）管理仍增加了索引与读取复杂度。

常用场景

经典使用场景

在机器人学习领域，record-test_20260528_000717数据集为模仿学习与行为克隆提供了标准化的训练素材。该数据集利用LeRobot框架采集，包含来自so_follower型机械臂的单条完整任务演示，其1797帧序列以30帧每秒的速率记录了6维关节角度动作与对应的环境状态，并辅以高分辨率视觉图像。研究者可借助这些多模态数据——涵盖动作标签、状态向量及前视摄像头视频——训练机器人模型复现人类示教的操作策略，尤其适用于从单一示教中泛化技能的精细操作任务，如抓取与装配。

实际应用

在实际工业场景中，该数据集可服务于柔性制造与协作机器人的快速部署。借助采集的单条示教演示，操作者能够通过行为克隆快速为so_follower机械臂赋予新的精密装配或物料分拣能力。此外，其对6维关节动作的详尽记录与高帧率视觉信号，为远程操控、人机协作中的直观编程提供了数据基础，减少了传统基于规则的编程耗时，尤其适用于小批量、多品种生产环境下机器人技能的敏捷迭代。

衍生相关工作

基于record-test_20260528_000717开源范例，研究者已衍生出多项代表性工作。例如，利用LeRobot框架的标准化数据流水线，衍生出面向多视角融合的视觉运动策略学习模型，以及在共享控制场景下人机混合自主性评估方法。此外，该数据集的单一示教特性催生了数据增强技术的研究，如通过时序裁剪与噪声注入扩展训练样本，进而支撑了基于扩散策略的动作生成与隐式行为克隆等前沿方法的验证，推动了机器人技能获取从样板复制到跨任务泛化的范式演进。