StyTJU/eval_grab_charger50

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "so_follower",
"total_episodes": 1,
"total_frames": 896,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:1"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.front": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.side": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是推动算法进步的关键。eval_grab_charger50数据集基于LeRobot框架构建，专注于机器人抓取充电器的任务。该数据集包含单个演示片段，共计896帧，帧率为30 FPS，数据以Parquet格式存储，视频则以AV1编码的MP4文件保存。数据采集使用了SO Follower机器人，记录的动作和状态信息涵盖6个自由度，包括肩部、肘部、腕部及夹爪的位置数据。数据集的构建方式确保了时序对齐与多模态信息的完整性，为模仿学习提供了坚实的基础。

特点

eval_grab_charger50数据集具有显著的结构化特点。其数据特征包含六维动作指令与观测状态，均由连续浮点数表示，确保了控制信号的精确性。视觉信息来自前视和侧视两个摄像头，均提供480×640像素的RGB图像，为环境感知提供了丰富的视角。此外，数据集还记录了时间戳、帧索引、任务索引等元数据，便于轨迹追溯与任务划分。尽管总片段数仅为一，但896帧的连续序列足以刻画完整的抓取过程，适用于小样本学习与算法验证。

使用方法

使用eval_grab_charger50数据集时，可通过LeRobot库加载Parquet与视频文件。数据已预划分为训练集，无需额外分割。用户可将动作向量与观测状态作为输入，训练机器人策略模型。图像数据支持实时解码，便于集成到视觉-运动控制流水线中。该数据集适合用于模仿学习或行为克隆的基准测试，研究者可直接利用其结构化格式，快速复现或改进抓取策略，无需复杂的数据预处理步骤。

背景与挑战

背景概述

在机器人操作领域，从人类演示中学习复杂技能是实现通用机器人智能的核心路径之一。eval_grab_charger50数据集由Hugging Face LeRobot社区创建，基于so_follower机器人平台，于近年发布，旨在解决机器人抓取与操控任务中的小样本模仿学习问题。该数据集聚焦于“抓取充电器”这一精细操作，通过单条、896帧的高频（30fps）演示序列，记录六自由度关节动作与多视角视觉信息（前视、侧视），为研究如何从有限演示中泛化抓取策略提供了标准化基准。其简洁的设计与Apache-2.0许可协议降低了使用门槛，对推动低成本机器人学习研究具有参考价值。

当前挑战

该数据集所针对的领域挑战在于，机器人从单一演示中学习泛化性抓取策略极为困难——演示轨迹与目标物体的位置、姿态变化高度耦合，缺乏多样性样本容易导致过拟合；同时，操作动作空间（6自由度）与高维视觉输入的联合建模对模仿学习算法构成严峻考验。构建过程中，挑战包括：如何确保演示序列的质量与一致性（如末端执行器与充电器的精准对齐），以及如何通过有限帧数（896帧）覆盖抓取任务的关键阶段；此外，视频编解码（AV1）与parquet格式的数据存储需兼顾压缩效率与实时读取需求，对数据管线的设计提出了额外要求。

常用场景

经典使用场景

在机器人学习与操控领域，eval_grab_charger50数据集专注于机械臂抓取充电器这一精细化操作任务。该数据集以LeRobot框架为基础，记录了SO-Follower机器人通过6自由度关节控制（肩部、肘部、腕部等）完成抓取动作的完整轨迹。其典型应用在于训练模仿学习与行为克隆模型，研究者可借助多视角视觉输入（正面与侧面摄像头，640×480分辨率，30帧/秒）与状态-动作配对数据，让机器人学会从观察中复现精准的抓取策略。

实际应用

在实际工业与家庭场景中，该数据集赋能机器人执行重复性拾取与放置任务，例如生产线上的充电器装配或家庭助手中的设备整理。结合LeRobot生态，开发者可快速部署策略至实体机器人，通过6维动作空间控制机械臂在动态环境中稳定抓取。此外，其视频与状态数据的联合使用支持了远程操作与监控系统的开发，适用于仓库自动化、智能家居等需要精准操作能力的领域。

衍生相关工作

基于eval_grab_charger50，衍生工作聚焦于多任务泛化与数据高效学习。例如，研究者利用其轨迹结构开发了任务参数化的隐式策略模型，或结合扩散策略生成连续动作分布。该数据集也成为评估模型鲁棒性的测试床，推动了时序动作分割与因果推理方法在机器人操作中的应用。相关成果在机器人顶会（如CoRL、ICRA）中涌现，展示了小样本条件下复杂技能迁移的潜力。