unitreerobotics/G1_WBT_Inspire_Pick_Up_Drinks

该数据集是一个机器人学数据集，专注于机器人状态和动作的表示。它详细记录了机器人的观察状态（包括末端执行器状态、手部手指状态以及机器人当前配置）和动作指令（包括目标末端执行器状态、手部控制命令以及期望的机器人配置）。数据维度根据所使用的机械手类型（Inspire Hand、BrainCo Hand或Dex1 Hand）而变化。数据集采用Parquet格式存储，由LeRobot框架创建，适用于机器人控制、模仿学习等相关研究。This dataset is a robotics dataset focusing on the representation of robot states and actions. It provides detailed records of robot observations (including end-effector states, hand/finger states, and current robot configuration) and action commands (including target end-effector states, hand control commands, and desired robot configuration). The data dimensionality varies depending on the hand type used (Inspire Hand, BrainCo Hand, or Dex1 Hand). The dataset is stored in Parquet format, created using the LeRobot framework, and is suitable for research in robot control, imitation learning, and related areas.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，旨在为机器人抓取与放置任务提供高精度的训练数据。数据采集过程中，机器人通过实时记录末端执行器状态、手指关节指令及全机构型参数，构建了从观测到动作的完整映射。具体而言，观测空间包含机器人末端执行器位姿（经由正向运动学计算而得）、不同型号灵巧手（Inspire、BrainCo、Dex1）的指关节状态以及整机关节配置；动作空间则对应目标末端位姿、手指动作指令与期望机构型。所有数据均以Parquet格式存储，便于高效存取与批量处理。

使用方法

在应用层面，用户可通过LeRobot框架直接加载该数据集，将其作为深度强化学习或模仿学习的训练样本。使用时需根据实际硬件配置选择对应的观测与动作维度：若配备Inspire或BrainCo双手，则hand_state与hand_cmd的维度为12；若采用Dex1双手，则降为2。数据加载后，可将ee_state与robot_q_current拼接作为策略网络的输入，并以ee_action与robot_q_desired作为目标输出，实现端到端的机器人控制策略学习。同时，建议对数值范围进行归一化处理，以加速模型收敛。

背景与挑战

背景概述

G1_WBT_Inspire_Pick_Up_Drinks数据集是面向人形机器人灵巧操作任务的高保真数据集，由LeRobot框架生成，旨在解决机器人末端执行器与手部协同控制中的感知与执行耦合问题。该数据集聚焦于机器人抓取饮料瓶这一典型日常操作场景，通过记录包含腰部运动在内的全身运动学链数据（根位姿、关节角、末端执行器位姿）与多类灵巧手（Inspire、BrainCo、Dex1）的精细指关节状态，构建了端到端的学习范式。其核心研究问题在于探索如何利用机器人本体感知信息实现从状态观测到动作指令的跨空间映射，为后续迁移学习与模仿学习提供了宝贵的基准资源，促进了多指灵巧抓取从先验模型向数据驱动的转变。

当前挑战

该数据集面临的挑战之一是灵巧手异构性问题：不同手型（Inspire、BrainCo、Dex1）的传感器维度、控制范围与物理约束差异显著，要求学习算法具备跨形态泛化能力，避免过拟合于特定手部结构。其次，动作空间与状态空间的高维耦合（36维关节配置与12维末端执行器位姿）加剧了策略搜索的复杂度，传统降维方法难以保留运动协调性。此外，真实机器人数据采集过程中，重力补偿、关节摩擦与传感器噪声的干扰要求数据预处理具备鲁棒性，而基于前向运动学的状态定义隐含了模型误差的传播风险。

常用场景

经典使用场景

在具身智能与机器人操作领域，G1_WBT_Inspire_Pick_Up_Drinks数据集凭借其精细化的末端执行器状态与手指关节动作记录，成为研究灵巧抓取范式不可或缺的基准资源。该数据集专为双机械臂协作场景设计，涵盖了从躯干姿态到指尖运动的完整控制链，特别适合用于模仿学习与强化学习算法的训练与评估。研究者可借助其中包含的末端执行器位姿和多种灵巧手（如Inspire、BrainCo、Dex1）的关节指令，构建从感知到动作的端到端映射模型，从而探索机器人在非结构化环境中抓取饮料等日常物品的鲁棒性策略。

解决学术问题

该数据集直指机器人操作领域的关键学术挑战：如何让双机械臂系统在精确建模关节运动与末端效应器状态的基础上，实现灵巧、柔顺且可泛化的抓取操作。通过提供正向运动学推导的末端执行器位姿、多维度手指关节开合度以及完整的机器人构型序列，它解决了传统数据集因缺失精细化手指控制信息和躯体姿态耦合数据而难以支撑复杂操作任务学习的困境。这一资源的重要意义在于，它推动了从简单夹爪抓取向多指灵巧手精细操作的研究范式转变，并为解耦躯干运动与手指协同控制的算法突破提供了数据基础，进而影响了人形机器人操作能力评估标准的演进。

实际应用

在实际应用中，G1_WBT_Inspire_Pick_Up_Drinks数据集聚焦于服务机器人领域中最具代表性的日常生活场景——饮料拾取与递送。该场景要求机器人能够处理不同形状、材质和刚度的饮料容器，同时适应光照变化、桌面物品堆叠等环境不确定性。基于此数据集训练的模型可部署于家庭助老机器人、餐厅服务机器人及实验室自动化平台，使其具备在杂乱台面上识别并稳健抓取饮料瓶、水杯等物品的能力，并配合双机械臂协调运动完成递送或归置动作，显著提升机器人在实际服务环境中的操作成功率与安全性。

数据集最近研究

最新研究方向

在具身智能与灵巧操作的前沿领域，G1_WBT_Inspire_Pick_Up_Drinks数据集聚焦于仿人机器人对饮料类物体的精准抓取与拾取任务。其数据依托LeRobot框架采集，涵盖了融合腰部运动的全姿态末端执行器状态、多类型灵巧手（Inspire、BrainCo、Dex1）的精细化手指运动指令，以及完整的机器人关节配置与期望动作序列。该数据集为双臂协作与全身运动规划的研究提供了标准化的多模态对齐数据，是推动具身智能体在动态环境中实现柔性物体操作、人机安全交互以及复杂任务泛化能力的关键基础设施，对探索通用机器人操作技能的迁移学习与Sim-to-Real策略优化具有深远意义。