HyeonseokE/SO101_teleop_close_drawer_wristfix_40epi

该数据集是一个机器人控制数据集，使用LeRobot平台创建，专注于通过遥操作控制SO101机器人执行关闭抽屉的任务。数据集包含40个训练片段，总计6248帧，数据以Parquet格式存储，视频以MP4格式存储。特征包括动作（6个浮点数表示关节位置，如肩部平移、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（与动作相同的6个关节位置）、图像观测（来自左腕和顶视图的480x640 RGB视频，帧率为30fps）以及元数据（如时间戳、帧索引、片段索引等）。数据集适用于机器人学习和控制研究，特别是涉及视觉反馈和动作生成的任务。This dataset is a robotics control dataset created using the LeRobot platform, focusing on teleoperated control of an SO101 robot to perform the task of closing a drawer. It includes 40 training episodes with a total of 6248 frames, stored in Parquet format for data and MP4 format for videos. Features encompass actions (6 float values representing joint positions such as shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper position), observation states (same 6 joint positions as actions), image observations (480x640 RGB videos from left wrist and top views at 30fps), and metadata (e.g., timestamp, frame index, episode index). The dataset is suitable for robotics learning and control research, particularly tasks involving visual feedback and action generation.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专注于机器人遥操作任务，具体场景为机械臂关闭抽屉。通过固定腕部姿态（wristfix）的方式，共采集了40个演示回合（episodes），总计6248帧数据。数据以Parquet格式存储，包含机械臂6个自由度的动作指令（action）与观测状态（observation.state），以及左右腕部与顶部视角的同步视频流（H.264编码，30 FPS，分辨率480×640）。视频与结构化数据按块（chunk）分片管理，确保大规模数据的高效读取与存储。

使用方法

数据集可直接通过LeRobot库加载，使用`lerobot.Dataset`接口读取Parquet文件与视频帧。默认分为训练集（回合0-39），支持批量按帧或按回合索引数据。特征字段包括`action`、`observation.state`及`observation.images`，用户可依据任务需求组合输入。建议采用模仿学习算法（如行为克隆或扩散策略）进行模型训练，利用30Hz的高频采样特性实现闭环控制。研究者可通过HuggingFace可视化空间在线查看数据样例，快速评估数据质量。

背景与挑战

背景概述

该数据集由研究人员Hyeonseok E基于LeRobot框架创建，聚焦于机器人操作任务中的抽屉关闭动作。数据集包含40个示范轨迹、6248帧视频及对应的动作与状态序列，旨在为模仿学习与机器人控制提供高质量训练样本。其核心价值在于探索如何通过少量示教（40个回合）实现精准的闭合抽屉操作，尤其针对机械臂腕部固定约束下的运动规划问题。作为机器人学习领域的基础资源，该数据集为低样本学习、跨任务泛化等研究方向提供了标准化评测基准，并推动灵巧操作技能的自动化获取。

当前挑战

领域挑战：机械臂执行抽屉关闭任务时面临接触力突变与运动约束间的协同控制难题，需在高自由度动作空间与非线性动力学环境中确保操作鲁棒性。构建挑战：数据集仅包含40个示范轨迹，样本量有限可能导致模仿学习策略的过拟合；同时，腕部固定约束虽简化了运动学建模，却限制了动作灵活性，需在固定构型下通过观察图像与状态序列隐式推理任务关键特征。此外，多模态数据（视频、动作、状态）的高频同步采集与噪声抑制也是技术难点。

常用场景

经典使用场景

在机器人学习与操控领域，SO101_teleop_close_drawer_wristfix_40epi数据集凭借其精细化的遥操作采集方式，成为训练机器人完成抽屉关闭这一经典任务的基石。该数据集由40个演示片段构成，包含6千余帧高保真状态与动作序列，并通过左腕与俯视两个视角的视频流提供丰富的视觉观察。研究人员通常利用这一数据集进行模仿学习算法的训练与验证，尤其是行为克隆和隐式策略建模，使机器人能够从人类演示中习得灵巧而稳定的抽屉关闭技能。数据集的小规模与任务专一性使其成为快速迭代算法原型的理想试验平台。

解决学术问题

该数据集直击机器人操作学习中数据效率与任务泛化的核心矛盾。由于抽屉关闭涉及精确的关节轨迹规划与力位混合控制，传统强化学习方法常因奖励函数设计困难而难以收敛。此数据集通过提供高质量的专家演示，使模仿学习算法得以绕过复杂的环境建模，直接从示范中解耦最优策略。学术界利用它探究观测噪声下的鲁棒性策略学习、多模态感知融合如何提升操作成功率，以及小样本条件下策略迁移的可行性。其开源共享特性显著降低了机器人学习研究的复现门槛，推动了从实验室环境向实用化操作的渐进过渡。

实际应用

面向实际部署场景，该数据集所训练的模型可集成至服务型与工业机器人中，承担家居整理、仓储物料存取等需要闭环操作的自动化任务。例如，养老陪伴机器人可借助习得的策略，在视觉引导下轻柔而可靠地关闭橱柜抽屉；智能仓储系统中的机械臂则可依据当前环境状态，自主执行抽屉式货箱的推进操作。由于数据采集时固定了腕部姿态（wristfix），所提炼的控制器天然具备特定的姿态约束能力，适应需规避空间限位的应用场合。此外，该数据集构建于开源的LeRobot框架之上，方便研究人员直接接入真实机器人进行零次或有限次微调。

数据集最近研究

最新研究方向

该数据集聚焦于机器人灵巧操作中的抽屉关闭任务，依托SO-100系列机械臂的遥操作控制范式，为模仿学习与强化学习算法提供了精细化的六自由度动作序列与多视角视觉观测数据。在当前具身智能浪潮中，针对单一固定动作——如抽屉闭合——的精准遥操作数据采集，正成为从仿真迁移至真实世界操作的关键瓶颈。该数据集以40个训练片段、超过6000帧的高频采样，结合腕部与顶视双摄像头视觉流，为研究非结构化环境下的操作鲁棒性、关节空间与图像空间之间的跨模态映射提供了宝贵资源。其发布标志着开源社区在标准化机器人操作数据集构建上的又一进步，尤其为家庭服务机器人完成精细部件操控（如抽屉、橱柜）的算法泛化能力评估奠定了基础。