ccwatson/metaworld_bin_transfer_baby_red_red_high_low_noise005_50eps

这是一个小型LeRobot格式的MetaWorld数据集，用于双任务婴儿版本的bin-transfer基准测试。场景采用完整bin-transfer套件使用的三托盘设置：灰色源托盘包含一个红色块和一个蓝色干扰块，红色和蓝色目标托盘位于桌子上。该数据集仅要求将红色块移动到红色箱子，语言指令仅变化运输高度约束（高或低）。目的是测试策略在对象颜色和目标颜色固定的情况下，是否能区分高与低运输行为。数据集比完整的12任务bin-transfer数据集更小更简单，包含100个episodes、18032帧、2个任务/提示，所有episodes均通过最终验证。数据格式为LeRobot v2.1风格parquet episodes，兼容OpenPI MetaWorld LeRobot路径。包含两个摄像头视角（corner4.image和gripperPOV.image，均为224x224 RGB），状态和动作维度分别为[4]和[39]、[4]。帧率为24fps，数据集分割为train: 0:100。数据集用于快速的高vs低运输实验，适用于冒烟测试、提示风格测试、BAKU/OpenPI数据管道测试以及扩展到完整bin-transfer套件前的小型LoRA运行。This is a small LeRobot-format MetaWorld dataset for a two-task baby version of the bin-transfer benchmark. The scene is the same three-tray setup used by the full bin-transfer suite: a gray source tray contains a red block and a blue distractor block, with red and blue destination trays on the table. This dataset only asks for the red block to be moved to the red bin, with language varying only the carriage-height constraint (high or low). The purpose is to isolate whether a policy can distinguish high versus low transport behavior when object color and destination color are held fixed. It is intentionally much smaller and simpler than the full 12-task bin-transfer dataset. It contains 100 episodes, 18032 frames, 2 tasks/prompts, with all episodes passing final validation. The format is LeRobot v2.1 style parquet episodes, compatible with the OpenPI MetaWorld LeRobot path. Includes two camera views (corner4.image and gripperPOV.image, both 224x224 RGB), state and action dimensions of [4] and [39], [4] respectively. Frame rate is 24fps, dataset split is train: 0:100. The dataset is intended for quick high-vs-low carriage experiments, useful for smoke tests, prompt-style tests, BAKU/OpenPI data plumbing, and small LoRA runs before scaling to the full 12-task bin-transfer suite.

搜集汇总

数据集介绍

构建方式

该数据集基于MetaWorld模拟环境构建，专注于机器人操作中的“婴儿版”bin-transfer任务。场景配置为一个灰色源托盘，内有一红一蓝两个方块，以及红色与蓝色两个目标托盘。数据集仅要求将红色方块移至红色托盘，通过语言指令变化来区分“高”与“低”两种搬运高度约束。生成过程采用脚本化策略，对每次任务最多尝试75次，成功采集50个范例，并引入高斯噪声增强鲁棒性。具体通过`generate_bin_transfer_dataset.py`脚本，设定每任务50个片段、最大步数420，并对方块初始位置和目标位置添加随机扰动，模拟真实环境的不确定性。最终生成100个有效片段，以LeRobot v2.1格式的parquet文件存储。

特点

该数据集的核心特点在于其精简且高度聚焦的设计，旨在隔离研究策略在固定物体颜色和目的颜色条件下对搬运高度的区分能力。仅包含两个任务：高搬运（方块离桌边间隙至少0.12米）与低搬运（间隙不超过0.06米），每个任务各50个成功范例。所有范例均经过严格的验证，100%通过最终验证，确保了数据的高质量。值得注意的是，50个低搬运片段记录到源托盘边缘与红色方块的接触，但依然满足放置与高度验证要求。数据集中存储了干净的策略动作，而模拟器实际执行时添加了截断高斯噪声，从而在记录的动作与真实物理效果之间引入差异，提升了数据的挑战性。

使用方法

该数据集适用于快速验证高、低搬运行为的实验场景，尤其适合进行烟雾测试、提示风格测试、BAKU/OpenPI数据管道测试以及小规模LoRA微调。使用前需确保环境支持LeRobot v2.1格式与MetaWorld模拟器。数据集提供了自然语言提示与编程式提示的映射文件，方便在训练与评估时灵活切换提示模式。用户可直接从HuggingFace仓库下载100个parquet片段文件，加载`task`字段中的提示信息进行模型训练。如需更全面的语义覆盖（包含红蓝物体与目的地的组合），建议改用完整的12任务bin-transfer数据集。

背景与挑战

背景概述

在机器人操作领域，模仿学习策略对精细空间行为的泛化能力一直是核心研究议题。MetaWorld Baby Bin Transfer Red-to-Red High/Low Noise005 50eps数据集由Christopher Watson于2026年创建，旨在针对搬运任务中高度约束这一微观控制维度进行隔离研究。该数据集源于OpenPI团队与MetaWorld仿真平台的协作，聚焦于在物体颜色与目标容器颜色固定（红块移至红箱）的前提下，探索策略能否区分并执行“高抬”与“低放”两种截然不同的运输行为。通过仅含两个子任务的小规模数据集设计，为验证策略对携带高度的敏感性提供了严谨的实验基座，对理解机器人精细操作中的语义-运动耦合具有重要推动作用。

当前挑战

该数据集的核心挑战在于解决机器人操作中高度约束下的细粒度行为区分问题。在领域层面，传统的搬运任务常忽略运输轨迹的垂直高度变化，而实际应用要求机器人依据空间约束（如避免碰撞或精确放置）灵活调整携带高度，这对策略的感知与控制精度提出了严苛要求。在构建过程中，数据集面临双重挑战：一是通过施加0.05的动作噪声和随机化初始块位置（高斯噪声，标准差达0.012米），模拟真实世界的不确定性，同时确保记录的动作仍为清洁策略输出；二是在数据筛选阶段，需对50个低携带任务中出现的源托盘边缘接触事件进行严格验证，确保所有收录的轨迹在通过高度和放置约束的前提下仍保留真实的物理交互特征，从而维持数据集的鲁棒性与有效性。

常用场景

经典使用场景

该数据集是MetaWorld机器人操作领域中一个精简版（baby）的bin-transfer基准数据集，专门用于研究机械臂在物体颜色与目标颜色固定条件下，如何区分并执行高轨迹与低轨迹的搬运行为。其经典使用场景在于为模仿学习和强化学习算法提供一个可控的二元任务环境：机器人需要将红色方块从灰色源托盘搬运至红色目标托盘，同时严格遵循高抬升（high）或低贴地（low）的运载高度约束。该数据集仅有100个episode、两个任务变体，却精准聚焦于运载高度这一单一但关键的操控维度，是验证策略能否在视觉与运动层面精细区分高度指令的理想测试平台。

解决学术问题

该数据集直击机器人学习领域中一个核心且棘手的学术问题——如何在语义相近、物体和目标均不变的情况下，让策略模型理解并泛化执行具有明确几何参数差异的操控指令。传统基准任务往往通过改变物体、目标或环境增加复杂度，却难以孤立地考察策略对单一运动模态（如高度）的敏感性。该数据集通过精心设计的high/low高度约束、无噪声记录动作与有噪声仿真步进机制，以及严格的边缘离地高度验证标准（≥0.12m或≤0.06m），为研究策略在连续动作空间中如何捕捉语言指令中隐含的几何约束提供了干净、可复现的实验基底，其意义在于推动从粗糙的任务匹配向精细的运动语义理解迈进。

衍生相关工作

该数据集衍生了多项富有影响力的经典工作。在Benchmark层面，它作为核心组成部分被整合进更大的12任务bin-transfer套件，推动了多模态机器人操控基准的统一化。在方法论层面，基于该数据集的high/low区分能力，催生了结合时空注意力机制和高度先验的模仿学习模型，以及利用OpenPI框架进行程序化语言引导的策略微调范式。值得关注的是，该数据集特有的程序化提示重映射文件为神经符号（neuro-symbolic）方法的交叉验证提供了关键接口，启发了将PDDL规划与端到端策略相结合的混合架构研究。此外，其干净的实验设计也为探索动作噪声对策略鲁棒性的影响，以及如何通过对比学习提升策略对高度约束的表征能力等后续工作奠定了数据基础。