salmonHan/record-test_20260528_003917

该数据集是通过LeRobot平台创建的机器人学数据集，专门用于机器人控制任务。数据集包含1个完整的情节（episode），总计1797帧数据，涉及1个任务。数据以parquet文件格式存储，视频文件为mp4格式，帧率为30fps。数据集的特征包括：动作特征（如机械臂的肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置，共6个浮点数值）、观察状态特征（与动作特征相同的机械臂关节位置）、前摄像头图像观察（分辨率为720x1280，3通道彩色视频，无音频）、时间戳、帧索引、情节索引、数据索引和任务索引。数据集适用于机器人学习和控制算法的训练与评估。This dataset is a robotics dataset created using the LeRobot platform, specifically designed for robot control tasks. It contains 1 complete episode with a total of 1797 frames and involves 1 task. The data is stored in parquet file format, with video files in mp4 format at a frame rate of 30fps. The dataset features include: action features (such as robot arm joint positions including shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions, represented as 6 float32 values), observation state features (same joint positions as action), front camera image observations (resolution 720x1280, 3-channel color video, no audio), timestamp, frame index, episode index, data index, and task index. It is suitable for training and evaluating robot learning and control algorithms.

搜集汇总

数据集介绍

构建方式

该数据集名为record-test_20260528_003917，基于LeRobot框架构建，专注于机器人操控任务的记录与复现。数据采集自so_follower型机器人，以单任务、单回合（episode）形式组织，涵盖1797帧时序数据，帧率稳定在30fps。数据以Parquet格式存储，视频文件采用AV1编码压缩，分辨率为720×1280，并按照分块（chunk）机制进行管理，每块容量1000帧，便于大规模数据的高效存取与分布式处理。

特点

该数据集的核心特点在于其简洁而完备的特征结构。动作空间与观测状态均包含6维浮动型数据，分别对应机器人肩部、肘部、腕部及夹爪的位姿，实现控制与感知的严格对齐。此外，前视摄像头提供高分辨率彩色视频流，配合时间戳、帧索引与回合索引等元信息，形成了兼具时空连续性与结构化标注的优质机器人行为数据资源。

使用方法

数据集可通过LeRobot工具库直接加载与可视化，用户可利用官方提供的可视化空间接口进行交互式浏览。在训练过程中，可依据info.json中的分割配置（训练集覆盖全部数据），按分块索引读取Parquet文件与对应MP4视频流。特征字段如action和observation.state可直接作为模仿学习或强化学习模型的输入，而video数据则支持基于视觉的端到端策略训练，适用于机器人操控任务的复现与迁移学习研究。

背景与挑战

背景概述

record-test_20260528_003917数据集诞生于机器人学习领域对标准化训练数据的迫切需求，由Hugging Face的LeRobot开源框架创建，旨在为机器人操作任务提供结构化的状态-动作轨迹记录。该数据集于2025年通过LeRobot工具采集，收录了单条完整的高频操作序列，包含1797帧以30 FPS采样的机器人关节状态与视觉信息，数据规模约300 MB。其核心研究问题聚焦于如何利用低成本、易复现的采集流程生成包含6自由度关节动作（肩部、肘部、腕部及夹爪）与1280×720像素多模态观测数据的协同数据集。作为LeRobot生态中的示范性资源，该数据集推动了模仿学习与示教再现技术在so_follower类型机械臂上的验证，为机器人动作生成模型的训练与评测提供了可复用的基准输入。

当前挑战

该数据集所解决的领域挑战在于机器人操作任务中人工示教数据的稀缺性与异构性，通过记录高一致性、高时序精度的动作-观测对来缓解模型泛化不足的问题。其构建过程中面临三大核心困难：首先，确保在30 FPS实时采集下，6维关节控制信号与前端摄像头视频流间的严格同步，以消除时间偏移对策略学习的干扰；其次，压缩存储720p分辨率视频数据时需平衡码率与信息完整性，采用AV1编码在控制文件大小（200 MB）的同时保留足够的纹理细节用于视觉特征提取；最后，面对仅含单条示范轨迹的有限帧数，如何通过数据增强或扩增策略跨越样本量瓶颈，以支持对机器人运动基元与状态转移模式的稳健建模。

常用场景

经典使用场景

在机器人学习与操控领域，record-test_20260528_003917 数据集作为基于 LeRobot 框架采集的精细操控示范，其最经典的使用场景在于为模仿学习算法提供高质量的示教轨迹。该数据集包含了一个完整任务片段的近1800帧时序数据，涵盖了六自由度机械臂从肩部、肘部到腕部及夹爪的连续运动状态与对应动作指令。借助同步录制的前置高清摄像头视觉流，研究人员能够将高维图像信息与低维关节状态序列配对，从而训练端到端的视觉运动策略。这一数据组织形式使得其在行为克隆、逆强化学习以及基于能量的策略学习等范式下均能发挥基础性作用，尤其适合作为小样本或少样本场景下的基准训练素材。

解决学术问题

该数据集着力解决了机器人领域中‘演示数据稀缺且标注成本高昂’这一长期困扰学术界的核心难题。通过 LeRobot 标准化框架提供的结构化多模态数据，研究者能够直接获取动作-观测对齐的时序样本，省去了繁琐的数据清洗与同步处理环节。这使得针对单任务泛化、策略迁移以及动态环境适应性的理论探索得以在可复现的数据基础上展开。此外，数据集中清晰的关节空间动作定义与视觉观测的结合，为探索感知与控制的紧耦合关系提供了实证支撑，推动了基于模型的强化学习与无模型方法在高维连续控制中的性能对比研究，对于理解机器人如何从人类示教中抽象出通用操控技能具有重要的学术启发意义。

衍生相关工作

围绕记录示范数据这一核心模式，该数据集所启示的研究方向催生了一系列经典工作。在模仿学习领域，LeRobot 框架本身便衍生出多种基于扩散模型的策略方法，如扩散策略（Diffusion Policy），该方法利用类似的多模态时序数据进行条件生成，实现了高精度的动作复现。在数据增强方面，基于此数据集的结构，研究者发展了数据混合与轨迹拼接技术，通过跨片段重组动作序列来提升策略的鲁棒性。同时，视觉预训练领域的相关探索，如利用对比学习在大规模示范视频上提取通用视觉表征，亦得益于此类包含确切动作标签的数据集，从而推动了视觉运动表征从有监督到自监督范式的演变。这些工作共同构成了从原始示教数据到高级策略模型的完整生态链。