salmonHan/record-test_20260528_000549

该数据集使用LeRobot工具创建，专注于机器人技术领域，具体针对so_follower机器人类型。数据集包含1个完整的episode，总计1797个帧，覆盖1个任务。数据以parquet文件格式存储，总数据文件大小为100MB，视频文件大小为200MB。特征包括动作（如肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部滚动、夹爪位置等6个浮点值）、状态观测（与动作相同结构）、来自前置摄像头的图像观测（视频格式，分辨率为720x1280，3通道，帧率30fps），以及时间戳、帧索引、episode索引、索引和任务索引等元数据。数据集仅包含训练分割，适用于机器人控制和学习任务的研究。This dataset was created using the LeRobot tool and focuses on the robotics domain, specifically for the so_follower robot type. It contains 1 complete episode with a total of 1797 frames, covering 1 task. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. Features include actions (e.g., 6 float values for shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, gripper positions), state observations (same structure as actions), image observations from a front camera (video format, resolution 720x1280, 3 channels, 30fps), and metadata such as timestamp, frame index, episode index, index, and task index. The dataset includes only a training split and is suitable for research in robot control and learning tasks.

搜集汇总

数据集介绍

构建方式

本数据集基于LeRobot框架构建，专为机器人操控任务设计。数据集中包含单一机器人类型‘so_follower’的1个完整演示片段，总计1797帧，对应单个任务。数据以Parquet格式存储于‘data’目录下，按块和文件索引组织，同时视频流以MP4格式存放于‘videos’目录中，编码采用高效AV1压缩，兼顾画质与存储。数据集的元数据在‘meta/info.json’中详细描述，涵盖帧率30 FPS、动作与状态空间的6维关节特征（包括肩部、肘部、腕部及夹爪位置），以及图像观测的分辨率720×1280。构建过程遵循标准化流水线，支持训练集与验证集的划分，此次仅提供训练集切片。

特点

该数据集的核心特点在于其紧凑性与完整性。仅包含1个演示片段却涵盖近1800帧连续时序，确保了动作序列的连贯性与状态演变的平滑性。动作空间与观测状态空间维度一致，均为6维关节坐标，利于模仿学习中的动作恢复。观测图像以高清视频形式记录，提供丰富的视觉信息。数据遵循LeRobot的v3.0规范，支持高效的分块存储与流式加载，实现100 MB的Parquet数据和200 MB视频文件的管理。此外，数据集采用Apache 2.0许可证，开放可商用，降低了研究门槛。

使用方法

用户可借助LeRobot工具库对数据集进行可视化与加载。通过Hugging Face Spaces中的交互式可视化器，能够逐帧浏览演示片段。在Python环境中，使用LeRobot的Dataset API读取Parquet文件，即可获取动作‘action’、观测状态‘observation.state’及图像‘observation.images.front’等时间对齐的字段。数据集自动处理视频解码与帧同步，简化了预处理流程。可将数据直接用于行为克隆、逆强化学习等模仿学习算法的训练，亦能通过分块索引高效进行大规模并行训练。推荐将全部数据用于训练，因其仅含单个任务片段，无需额外验证集划分。

背景与挑战

背景概述

该数据集由salmonHan团队于近期创建，基于LeRobot框架构建，专注于机器人操控领域，特别是从人类演示中学习精细操作技能。其核心研究问题在于如何通过少量示范数据高效训练机器人执行复杂任务，如六自由度机械臂的协调控制。数据集采用so_follower机器人平台，记录了单个示教片段（共1797帧），包含高分辨率（720x1280）的前置摄像头视频及6维关节状态与动作序列（包括肩部、肘部、腕部及夹爪位置）。作为LeRobot生态的一部分，该数据集为模仿学习与机器人行为克隆提供了标准化基准，但其单任务、单片段的小规模特性限制了泛化能力验证，主要服务于早期原型测试或概念验证研究。

当前挑战

数据集面临多重挑战：首先，当前仅包含1个任务与1个示教片段，样本量极小，难以支持深度强化学习或复杂策略的泛化训练，亟需扩展多任务、多变异场景的示范数据。其次，构建过程中由于采用人类遥操作采集，存在动作噪声、关节耦合误差及视觉遮挡等固有问题，需设计高效的数据清洗与对齐算法。此外，高帧率（30fps）视频与6维状态数据的异构融合，对跨模态时间同步提出技术挑战。最后，机器人物理差异与工况变化导致数据迁移困难，模型在不同环境或本体上的零样本适应仍是开放问题。

常用场景

经典使用场景

在机器人学习与操控领域，record-test_20260528_000549 数据集作为基于 LeRobot 框架采集的示范数据，其经典使用场景聚焦于模仿学习与行为克隆。该数据集记录了单条机械臂（so_follower 型）在六自由度关节空间中的完整运动轨迹，包含 1797 帧高精度动作序列与同步的前视视频流（1280×720 分辨率，30 FPS）。研究者常将其用于训练端到端的视觉-运动控制策略，即从观测图像和关节状态直接映射至期望动作，从而复现复杂的操作技能，如抓取、装配或精密操控。

实际应用

在实际应用层面，此数据集可作为机器人技能迁移与快速部署的起点。由于它采集自真实的 so_follower 机械臂，且带有精确的关节指令序列，工程师可将其用于验证遥操作系统的精度、校准机器人末端的运动学模型，或作为仿真到现实迁移（sim-to-real）的参考基准。例如，在电子元器件装配或高精度分拣场景中，通过此数据集预训练的运动策略，能够直接迁移至同构硬件上完成初始操作，再结合在线微调适应细微的环境变化，从而缩短工业机器人的部署周期。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在单示范快速适应算法与多模态融合策略方面。研究者可以基于 LeRobot 框架，将此数据集的视频流和状态-动作对作为测试平台，开发如约束策略优化、任务参数化技能库构建等新方法。此外，该数据集常被用于验证长时程运动预测模型（如 Transformer 架构下的回放策略），或作为跨机器人形态迁移学习的对比案例——例如将其六维动作空间映射至其他构型的机械臂，检验运动模式的对齐有效性。这些工作共同推动了从少量演示中高效汲取操作知识的研究前沿。