eval_my_smolvla_Bone_to_Pick_11_17

该数据集是一个机器人学数据集，包含多机器人的动作和观察状态数据，以及相关的视频信息。数据集由1个剧集组成，共有268帧，1个任务，3个视频和1个片段。所有数据以Parquet格式存储，并提供了相应的视频文件。数据集按照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: 机器人技术
• 标签: LeRobot
• 创建工具: LeRobot

数据集结构

• 总情节数: 1
• 总帧数: 268
• 总任务数: 1
• 总视频数: 3
• 总块数: 1
• 块大小: 1000
• 帧率: 30 FPS
• 数据格式: Parquet
• 代码库版本: v2.1
• 机器人类型: multi_robot_2

数据特征

动作特征

• 数据类型: float32
• 维度: [12]
• 关节位置:
  • my_white_follower_arm_shoulder_pan.pos
  • my_white_follower_arm_shoulder_lift.pos
  • my_white_follower_arm_elbow_flex.pos
  • my_white_follower_arm_wrist_flex.pos
  • my_white_follower_arm_wrist_roll.pos
  • my_white_follower_arm_gripper.pos
  • my_blue_follower_arm_shoulder_pan.pos
  • my_blue_follower_arm_shoulder_lift.pos
  • my_blue_follower_arm_elbow_flex.pos
  • my_blue_follower_arm_wrist_flex.pos
  • my_blue_follower_arm_wrist_roll.pos
  • my_blue_follower_arm_gripper.pos

观测状态

• 数据类型: float32
• 维度: [12]
• 关节位置: 与动作特征相同

图像观测

my_white_follower_arm_global_top摄像头:

• 分辨率: 720×1280×3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图

my_white_follower_arm_front摄像头:

• 分辨率: 480×640×3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图

my_blue_follower_arm_front摄像头:

• 分辨率: 480×640×3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图

元数据特征

• 时间戳: float32[1]
• 帧索引: int64[1]
• 情节索引: int64[1]
• 索引: int64[1]
• 任务索引: int64[1]

数据组织

• 数据路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4
• 训练集分割: 0:1

搜集汇总

数据集介绍

构建方式

在机器人技术领域，数据采集的精确性对算法训练至关重要。该数据集通过LeRobot平台构建，采用多机器人协同操作模式，记录了双机械臂系统的完整交互过程。数据以分块形式存储于Parquet文件中，每个数据块包含连续的动作序列与观测状态，帧率为30fps确保时序连贯性。构建过程中严格遵循标准化协议，涵盖268个时间步的完整任务执行轨迹，为机器人学习研究提供结构化数据支撑。

使用方法

针对机器人模仿学习任务，研究者可通过解析Parquet文件直接获取状态-动作对序列。数据加载时需注意特征字段的层次化命名规范，动作与观测状态共享相同的关节空间定义。视频数据采用AV1编码存储，建议使用配套解码器还原视觉信息。训练集划分已预设为全数据覆盖，使用者可依据时间戳重建任务执行全过程，实现端到端的策略学习与验证。

背景与挑战

背景概述

在机器人技术迅猛发展的背景下，多机器人协同操作成为提升任务效率与复杂环境适应性的关键研究方向。eval_my_smolvla_Bone_to_Pick_11_17数据集由LeRobot项目团队构建，聚焦于双机械臂系统的实时控制与感知集成问题，旨在通过记录多视角视频流与高维动作状态数据，推动机器人模仿学习与自主决策算法的进步。该数据集采用Apache 2.0开源协议，其结构化设计体现了对机器人任务泛化性与数据可扩展性的深度考量，为异构机器人系统的协同行为建模提供了重要实验基础。

当前挑战

该数据集致力于解决多机器人协同任务中的动作规划与视觉感知融合难题，其核心挑战在于如何从异构传感器数据中提取鲁棒特征以支持精确的动作预测。构建过程中面临双重困难：一方面需同步处理双机械臂的12维关节状态与多路高清视频流，确保时序对齐与数据完整性；另一方面受限于小规模样本（仅含1个任务 episode 和268帧数据），难以覆盖复杂场景下的动态交互变异，制约了模型泛化能力的验证。此外，多视角视觉数据的存储效率与实时解码性能亦对系统设计提出严峻考验。

常用场景

经典使用场景

在机器人学习领域，多机器人协作任务对数据质量提出较高要求。该数据集通过记录双机械臂协同操作的完整轨迹，为模仿学习算法提供标准化训练素材。其包含的关节位置数据与多视角视觉信息，能够支持机器人从感知到动作的端到端策略学习，成为开发复杂操作技能的基础资源。

解决学术问题

该数据集主要应对机器人领域的行为克隆与强化学习算法验证需求。通过精确记录双机械臂12维关节空间运动轨迹，解决了多智能体协同控制中的动作同步难题。其时序对齐的多模态观测数据，为研究机器人感知-动作映射关系提供了可靠基准，显著提升了算法在真实场景下的泛化能力。

实际应用

工业自动化场景中，该数据集可直接应用于装配线双机械臂协同作业的系统优化。通过分析机械臂的关节运动模式与视觉反馈关联，能够改进抓取放置任务的轨迹规划精度。在医疗机器人领域，这类数据有助于开发微创手术辅助系统，实现更精准的器械操控与组织处理。

数据集最近研究

最新研究方向

在机器人协同操作领域，多智能体系统的协调控制已成为前沿探索焦点。该数据集通过双机械臂的关节位置数据与多视角视觉观测，为分布式决策算法提供了真实世界验证基础。当前研究正致力于融合时空动作序列与视觉感知模态，以解决动态环境下的任务分配与运动规划难题。随着具身智能研究热潮的兴起，此类富含多模态交互信息的数据集正推动着从单机智能到群体协作的技术跨越，为工业自动化与精密装配场景提供了关键算法验证基准。