eval_Real_Panda_Polymetis_Acetylcysteine_E50_20K_100_act

该数据集是使用LeRobot框架创建的机器人操作数据集，采用Franka机器人平台。数据集包含20个完整episode，共计7225帧，覆盖单一任务。数据以30fps的帧率采集，总大小约300MB（数据文件100MB，视频文件200MB）。每个样本包含7维动作指令（末端执行器位姿增量及夹爪指令）、15维机器人状态观测（关节位置、夹爪状态、末端执行器位姿）、两个视角的RGB视频（分辨率480x640，AV1编码，30fps）、时间戳、帧索引、episode索引等字段。数据以parquet格式存储，视频以mp4格式存储。该数据集可用于机器人模仿学习、行为克隆、强化学习中的策略学习等任务，训练数据已按单个episode划分，无需额外分割。This dataset is a robot manipulation dataset created using the LeRobot framework on a Franka robot platform. It contains 20 complete episodes with a total of 7225 frames covering a single task. Data is collected at 30fps with a total size of approximately 300MB (100MB for data files, 200MB for video files). Each sample includes 7-dimensional action commands (end-effector pose increments and gripper commands), 15-dimensional robot state observations (joint positions, gripper state, end-effector pose), RGB videos from two viewpoints (resolution 480x640, AV1 codec, 30fps), timestamps, frame indices, episode indices, and other fields. Data is stored in parquet format, and videos are stored in mp4 format. This dataset can be used for robot imitation learning, behavior cloning, and policy learning in reinforcement learning. The training data is already divided into individual episodes and does not require additional splitting.

原始信息汇总

数据集概述

该数据集由 LeRobot 创建，用于机器人学习领域，基于 Franka 机器人平台采集。

基本信息

• 许可证: Apache-2.0
• 任务类别: 机器人技术
• 数据集版本: LeRobot v3.0
• 机器人类型: Franka

数据规模

• 总片段数: 20 个片段
• 总帧数: 7,225 帧
• 任务数: 1 个任务
• 数据分割: 全部 20 个片段用于训练集
• 帧率: 30 fps

数据文件

• 数据格式: Parquet 文件 (data//.parquet)
• 视频文件: MP4 格式 (videos/.../*.mp4)
• 数据文件大小: 约 100 MB
• 视频文件大小: 约 200 MB
• 块大小: 1000 帧/块

数据特征

动作数据

• 包含7维动作向量，具体为：
  • 末端执行器位置增量 (Δx, Δy, Δz)
  • 末端执行器姿态增量 (Δrx, Δry, Δrz)
  • 夹爪指令 (二进制值)

观测状态数据

• 包含15维状态向量，具体为：
  • 7个关节位置
  • 夹爪归一化状态
  • 夹爪指令 (二进制值)
  • 末端执行器位置 (x, y, z)
  • 末端执行器姿态 (rx, ry, rz)

视觉观测

• 两个摄像头: camera_1 和 camera_2
• 图像分辨率: 480×640 像素，3 通道 RGB
• 视频编码: AV1 编码，yuv420p 像素格式，30 fps，无音频

其他字段

• 时间戳: float32，1维
• 帧索引: int64，1维
• 片段索引: int64，1维
• 索引: int64，1维
• 任务索引: int64，1维

搜集汇总

数据集介绍

构建方式

该数据集依托于LeRobot平台构建，旨在捕获机器人操作过程中的精细动作轨迹。数据采集利用Franka机械臂，针对乙酰半胱氨酸相关任务，共记录20个演示片段，总计7225帧，以30帧每秒的频率采样。数据格式采纳Parquet与MP4双轨存储，分别保存传感器状态与视觉观测，其中动作特征涵盖末端执行器的六维位姿变化及夹爪指令，而状态特征则包括七个关节位置、夹爪状态及末端执行器位姿。

使用方法

使用该数据集时，研究者可直接通过LeRobot框架加载，支持将数据划分为训练集（全部20个片段），并利用其标准化的API进行模型训练与评估。数据中的时间戳与帧索引便于时序对齐，适用于模仿学习或强化学习算法的训练。由于提供了完整的动作与状态空间定义，该数据集可直接用于端到端机器人操纵策略的研发，尤其在精细操作任务中验证算法性能。

背景与挑战

背景概述

随着机器人学习与模仿学习领域的蓬勃发展，高质量、多样化的操作数据集成为推动技能泛化与策略学习的关键资源。eval_Real_Panda_Polymetis_Acetylcysteine_E50_20K_100_act数据集由HuggingFace团队基于LeRobot框架构建，于近期发布，旨在为基于Franka Panda机械臂的精细操作任务提供标准化的训练与评估基准。该数据集囊括20个演示回合，共计7225帧，以30Hz的频率采集，涵盖多模态观测信息，包括双目视觉影像与关节状态，并记录末端执行器的增量位姿及夹爪指令。其核心研究问题聚焦于乙酰半胱氨酸相关操作场景，通过引入现实世界的物理交互数据，为策略学习提供贴近实际的训练样本。该数据集遵循Apache-2.0许可，具备开放的访问特性，预期在机器人操作策略的泛化性、鲁棒性研究及多任务学习等领域产生积极影响，成为社区内重要的基准资源之一。

当前挑战

该数据集所面临的挑战首先体现在其解决的领域问题上：机器人操作任务要求策略在复杂多变的物理环境中实现精准的位姿控制与力觉反馈，而当前模仿学习方法往往受限于演示数据质量与覆盖范围，难以应对目标未见过场景或物体位姿变化；本数据集通过高精度状态记录与多视角观测，为缓解这一问题提供了支持，但数据规模仅有20回合，可能限制策略的泛化能力。其次，在构建过程中，采集现实机器人演示数据需克服系统标定、通信延迟及同步问题，例如确保相机、关节编码器与命令流之间的时间戳对齐；数据后处理中还需处理动作序列的平滑性与缺失值，以保证训练稳定性。此外，数据集中任务单一（total_tasks=1），且动作维度涉及混合类型的连续位姿与离散夹爪指令，为策略模型的设计与训练带来额外难度。

常用场景

经典使用场景

eval_Real_Panda_Polymetis_Acetylcysteine_E50_20K_100_act数据集由LeRobot框架精心构建，聚焦于Franka机械臂在乙酰半胱氨酸操作任务中的精细操控。该数据集涵盖20个演示片段，共计7225帧关键状态，以30FPS的高频采样记录七自由度关节位置、末端执行器位姿及夹爪指令，并同步采集双目视觉观测。其经典使用场景在于训练和评估基于视觉的模仿学习模型，尤其是针对高精度、小批量化学试剂处理的操作任务，为机器人学习复杂接触性操作提供了标准化基准。

解决学术问题

该数据集有效解决了机器人操作学习中数据稀缺与动作表征不一致的痼疾。通过统一的状态-动作空间设计，包括增量末端位姿和离散夹爪指令，并集成多模态感知信息，它支撑了从低维状态到高维视觉策略的迁移研究。其结构化的数据格式促进了动作分块（action chunking）和时序建模的探索，为复现和对比各类模仿学习算法（如ACT、Diffusion Policy）提供了可靠平台，加速了机器人技能泛化研究的进程。

实际应用

在实际应用中，该数据集可直接助力医疗、化工等领域的自动化精密操作。例如，引导机械臂执行乙酰半胱氨酸药剂的配制、分装或试管转移等程序化步骤，减少人工接触污染。同时，其双摄像头配置和实时控制接口支持在仿真到现实迁移（Sim2Real）中微调策略，使机器人能够适应动态环境变化，提升实际产线上的操作一致性与安全性。

数据集最近研究

最新研究方向

该数据集基于LeRobot框架，采用Franka机器人平台，聚焦于乙酰半胱氨酸操作任务的模仿学习。最新研究趋势强调利用高维视觉与动作状态数据，结合深度学习模型（如扩散策略和Transformer）进行端到端机器人操控学习。该数据集包含20个演示回合、7225帧及多视角摄像头视频，为多模态感知和策略泛化提供了宝贵资源。当前前沿方向包括利用大规模人类演示数据进行预训练，以及通过仿真到现实的迁移提升模型鲁棒性。此数据集的发布将推动机器人操作在精细医疗场景中的应用，加速具身智能体的发展。