salmonHan/record-test_20260527_231006

该数据集由LeRobot创建，用于机器人技术任务，具体针对so_follower机器人类型。数据集包含1个episode、1797帧和1个任务，数据以parquet文件格式组织，视频文件为MP4格式，帧率为30fps。数据集特征包括动作（由6个浮点值表示，对应肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置）、观察状态（同样6个浮点值，表示机器人关节位置）、前视图像（分辨率为720x1280x3的视频，采用av1编解码器）、时间戳、帧索引、episode索引、索引和任务索引。数据总大小为100MB，视频文件大小为200MB，适用于机器人控制和视觉任务的研究与开发。This dataset was created using LeRobot and is designed for robotics tasks, specifically for the so_follower robot type. It contains 1 episode, 1797 frames, and 1 task, with data organized in parquet files and video files in MP4 format at 30fps. The dataset features include action (represented by 6 float32 values corresponding to shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), observation state (similarly 6 float32 values for robot joint positions), front observation images (video with resolution 720x1280x3, using av1 codec), timestamp, frame index, episode index, index, and task index. The total data size is 100MB, and video files size is 200MB, suitable for research and development in robot control and vision tasks.

搜集汇总

数据集介绍

构建方式

本数据集基于LeRobot机器人学习框架构建，聚焦于单次机器人操作任务数据的采集与存储。数据集包含一个完整片段（episode），共计1797帧，采样频率为30帧每秒。数据以Parquet格式存储动作与状态序列，并同步记录来自前方摄像头的高清视频流（1280×720分辨率，AV1编码）。构建过程中，数据按固定块大小（1000帧）进行分块，确保大规模存储与读取的便捷性。整体结构由meta/info.json文件统一描述，涵盖机器人类型（so_follower）、任务数量及数据分布等元信息。

特点

该数据集的一个显著特点在于其多模态、高时间分辨率的结构设计。动作与观测状态均包含6维向量，对应机器人肩部、肘部、腕部及夹爪的位姿信息，为模仿学习提供精细的运动指令。同时，前方摄像头以30帧每秒的速度采集彩色视频，形成视觉与运动信息的强对齐。数据集中整合了时间戳、帧索引与片段索引等结构字段，便于时序建模与轨迹回放。整个数据量约为300MB，结构紧凑，适合小规模验证与快速迭代的实验场景。

使用方法

数据集可通过LeRobot提供的可视化工具在HuggingFace Spaces中直接预览，支持逐帧查看机器人的观测图像与状态信息。在训练过程中，用户可利用LeRobot库加载Parquet数据与视频文件，自动构建动作-观测对。数据集已定义默认的划分方式，将所有帧用于训练（train: 0:1）。为便于模型输入，可将动作与状态向量直接作为监督信号，结合图像特征进行端到端的行为克隆或强化学习训练。建议用户参考LeRobot的官方教程，快速集成该数据集到现有的机器人学习流水线中。

背景与挑战

背景概述

该数据集由salmonHan创建，依托于HuggingFace的LeRobot框架，生成于2026年5月27日，属于机器人领域的示教学习数据集。其核心研究问题聚焦于机器人操控任务的模仿学习，通过采集单条动作轨迹（共1797帧，时长约60秒），记录六个自由度（包括肩部、肘部、手腕及夹爪）的位置状态与对应图像信息。数据集以so_follower机器人为载体，采用30帧每秒的高清视频（1280×720）与动作序列对齐，为基于视觉的机器人行为克隆提供了基础样本。尽管规模极小，但该数据集在LeRobot生态中扮演着数据采集与标准化格式验证的角色，对推动低成本、易复现的机器人学习研究具有潜在示范意义。

当前挑战

该数据集所解决的领域问题为机器人操控技能的模仿学习，挑战在于如何从少量示教数据中泛化出鲁棒的控制策略。当前数据集仅含单条轨迹与单一任务，缺乏多样性，难以应对真实环境中的物体位置、光照或力反馈变化。构建过程中面临的挑战包括：动作空间维度（6维连续值）与高维视觉输入的对齐同步，要求精确的时间戳匹配以避免认知偏差；视频编码采用av1格式虽压缩率优异，但解压计算开销可能影响训练效率；此外，单一episode的设计无法覆盖任务执行中的偶然误差（如抓取滑脱），限制了其在闭环控制场景下的实用性。

常用场景

经典使用场景

在机器人学习与模仿学习的学术前沿，该数据集作为LeRobot生态中的细粒度操控演示数据，广泛应用于基于视觉的机器人运动策略训练。其包含的1797帧高分辨率影像（1280×720）与6自由度关节状态序列，为从像素到动作的端到端映射提供了理想载体。研究者常利用其构建行为克隆或隐式策略学习模型，通过观测前视摄像头捕捉的视觉特征与对应机械臂状态，训练模型复现精密操作，这已成为机器人技能习得领域的经典范式。

实际应用

在实际研发场景中，该数据集常被用于验证灵巧操控算法的工业可用性，例如在装配、分拣等精细操作场景下测试机器人对未知物体的自适应能力。借助其包含的关节力矩与视觉反馈，开发者可评估模型在光照变化、视角偏移等真实扰动下的鲁棒性。此外，该数据与LeRobot仿真环境的无缝衔接，使得数字孪生驱动的快速原型验证成为可能，显著缩短了从实验室方案到产线部署的转化周期。

衍生相关工作

围绕该数据集形成了一系列衍生成果，其特性直接催生了若干经典研究。例如，基于该数据的特征解耦方法被用于分离视觉特征中的任务相关噪声，提升策略泛化能力；其parquet压缩框架启发了时序动作序列的分布式存储方案，后被多个开源项目采纳。此外，该数据与多视角视频的结合推动了3D点位预测模型的发展，相关论文在机器人顶会中常被引述为基准，彰显了其作为学术试验台的长期影响力。