grab_sock

该数据集是一个与机器人学相关的数据集，包含多个剧集（episodes）和数据块（chunks），每个数据块包含机器人各部分的位置信息（如肩部、肘部、手腕和夹爪的位置）以及时间戳等特征。数据集总共包含5个剧集，2244帧数据，1个任务，没有视频文件。数据以Apache-2.0许可证发布。

原始信息汇总

数据集概述

基本信息

• 许可证：Apache-2.0
• 任务类别：机器人学
• 标签：LeRobot

数据集结构

• 总任务数：1
• 总视频数：0
• 总帧数：2244
• 总片段数：5
• 总数据块数：1
• 数据块大小：1000
• 帧率：30
• 数据格式：Parquet
• 代码库版本：v2.1
• 机器人类型：so101_follower

特征描述

• 动作特征：6维浮点数组，包含肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置
• 观测状态：6维浮点数组，与动作特征维度相同
• 时间戳：单精度浮点数
• 帧索引：64位整数
• 片段索引：64位整数
• 索引：64位整数
• 任务索引：64位整数

数据划分

• 训练集：包含全部5个片段

数据存储路径

• 数据文件路径：data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频文件路径：videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

创建信息

• 创建工具：LeRobot（https://github.com/huggingface/lerobot）

搜集汇总

数据集介绍

构建方式

在机器人操作任务研究领域，grab_sock数据集通过LeRobot平台系统化采集机械臂操作数据。该数据集采用分块存储架构，将连续操作过程划分为5个完整片段，以30Hz频率记录6自由度机械臂的关节角度与夹爪状态。数据以标准化Parquet格式保存，每个数据块包含1000帧动作-观测对，确保时序数据的完整性与高效存取。

特点

数据集呈现高度结构化的机器人操作特征，包含2244帧6维连续动作空间与对应关节状态观测。动作与观测字段采用同名维度设计，涵盖肩部平移/旋转、肘部屈伸、腕部旋转及夹爪开合等完整 kinematics 参数。所有数据均以float32精度存储，并附带时间戳、帧索引与任务索引等多维度元数据，支持精细化的轨迹分析与策略学习。

使用方法

研究者可通过HuggingFace数据集库直接加载该数据集，利用标准接口访问分块存储的Parquet文件。数据按episode_index与chunk编号组织，支持按操作片段或时间窗口提取训练样本。典型应用包括模仿学习中的状态-动作映射建模、强化学习环境构建，以及机器人逆动力学模型的监督训练。

背景与挑战

背景概述

机器人操作学习领域近年来备受关注，grab_sock数据集作为LeRobot项目的重要组成部分，专注于机械臂抓取任务的数据采集与分析。该数据集通过so101_follower型机器人平台，记录了包含5个完整操作序列的2244帧高精度运动数据，涵盖了肩部平移、肩部抬升、肘部屈伸、腕部屈伸、腕部旋转及夹爪开合等六维动作空间，为机器人精细操作策略的研发提供了宝贵的数据支撑。

当前挑战

在机器人操作任务中，精准抓取柔性物体如袜子存在显著挑战，需克服物体形变、抓取力度控制及轨迹规划等多重难题。数据集构建过程中面临高维连续动作空间的精确标注、多传感器时序数据同步，以及真实环境下的物理交互噪声抑制等技术瓶颈，这些因素共同制约着模仿学习与强化学习算法在现实场景中的应用效果。

常用场景

经典使用场景

在机器人学习领域，grab_sock数据集作为LeRobot项目的重要组成部分，专注于机械臂操作任务的示范学习。该数据集通过记录六自由度机械臂抓取袜子的完整动作序列，为模仿学习和行为克隆算法提供高质量的训练样本。其经典应用场景包括机器人动作生成模型的训练与验证，研究者利用该数据集的时间连续状态-动作对，开发能够复现人类操作技巧的智能控制系统。

衍生相关工作

该数据集催生了多项机器人学习领域的创新研究，包括基于时空注意力的动作预测模型和多模态示范学习框架。研究者利用其丰富的状态动作对应关系，开发了能够处理部分可观测条件的强化学习算法。后续工作进一步扩展了数据集的应用范围，衍生出针对复杂操作任务的层次化学习方法和元强化学习策略，推动了机器人操作技能的快速适应与泛化研究。

数据集最近研究

最新研究方向

在机器人操作学习领域，grab_sock数据集作为LeRobot项目的重要组成部分，正推动模仿学习与强化学习算法的融合创新。该数据集聚焦于机械臂抓取任务，其多关节连续动作记录与高精度状态观测为端到端策略学习提供了关键数据支撑。当前研究热点集中于跨模态表示学习，通过结合视觉感知与运动控制数据提升模型在动态环境中的泛化能力。随着家庭服务机器人需求的增长，此类精细操作数据集正成为推动具身智能发展的核心基础设施，为可解释性行为预测与安全约束下的自适应控制提供实证基础。