KS325/close-lower-drawer

---
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).

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=KS325/close-lower-drawer">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## 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": 40,
"total_frames": 35001,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:40"
},
"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.camera1": {
"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.camera2": {
"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

在机器人操作任务的数据集构建领域，close-lower-drawer数据集依托LeRobot框架精心构建而成。该数据集通过实际机器人执行关闭下层抽屉的动作进行采集，涵盖了40个完整的情节，总计超过35000帧数据。数据以分块形式存储于Parquet文件中，每块包含1000帧，确保了高效的数据管理与访问。采集过程中，机器人关节位置与视觉信息被同步记录，形成了多模态的时序数据流，为后续的模型训练提供了丰富的原始素材。

使用方法

针对机器人模仿学习与强化学习的研究，该数据集提供了标准化的使用途径。研究者可通过LeRobot库或直接读取Parquet文件加载数据，利用其中的动作序列、关节状态及同步视频帧进行模型训练。数据已预分为训练集，涵盖全部40个情节，可直接用于行为克隆或离线强化学习算法的开发。在具体应用中，可提取观测图像作为模型输入，并将记录的动作作为监督信号，从而学习完成关闭抽屉任务的策略。

背景与挑战

背景概述

在机器人学领域，具身智能的进步依赖于高质量、任务导向的真实世界交互数据。close-lower-drawer数据集应运而生，它由LeRobot项目团队创建，专注于记录机器人执行关闭下层抽屉这一具体操作。该数据集采集自so_follower型机器人，包含40个完整交互片段，总计超过35000帧的多模态数据，融合了关节位置状态与双视角视觉信息。其核心研究问题在于如何通过演示数据驱动机器人学习复杂的物体操纵技能，特别是涉及精细力控与视觉引导的日常任务，为模仿学习与强化学习算法提供了宝贵的现实基准。

当前挑战

该数据集旨在解决机器人操作中非结构化环境下的物体交互难题，其核心挑战在于如何从高维视觉与状态观测中提取鲁棒的行为策略，并泛化至抽屉尺寸、摩擦力等物理属性变化的场景。构建过程中的挑战则体现在多传感器数据的精确同步与标定、长时序交互序列的连续采集，以及确保动作轨迹在动态环境中的一致性与安全性。此外，大规模视频数据的压缩存储与高效检索也对数据集的基础设施提出了较高要求。

常用场景

经典使用场景

在机器人操作学习领域，close-lower-drawer数据集为模拟机械臂执行关闭下层抽屉任务提供了丰富的多模态数据。该数据集通过记录机械臂关节位置、夹爪状态及双摄像头视觉信息，构建了从感知到动作的完整交互序列。研究者可基于此数据集训练端到端的强化学习或模仿学习模型，使机器人学习在复杂环境中完成精细操作任务，尤其适用于家庭服务或工业自动化场景中的物体操控研究。

解决学术问题

该数据集有效解决了机器人操作中因缺乏真实世界交互数据而导致的模拟与现实差距问题。通过提供高帧率视频与精确动作轨迹的同步记录，它支持了视觉-动作映射、动态环境下的策略泛化等关键研究。其结构化特征设计促进了多模态融合算法的开发，为机器人学习复杂操作技能提供了可重复评估的基准，推动了具身智能在真实物理环境中的适应性研究。

实际应用

在实际应用中，close-lower-drawer数据集可直接用于开发家庭服务机器人的自动化功能，如智能橱柜管理或物品整理系统。基于该数据训练的模型能够提升机器人在非结构化环境中的操作鲁棒性，降低对精确预设轨迹的依赖。此外，数据集支持工业机械臂的快速技能迁移，缩短了机器人部署的调试周期，为柔性制造与物流分拣等场景提供了技术储备。

数据集最近研究

最新研究方向

在机器人操作学习领域，close-lower-drawer数据集作为LeRobot项目的一部分，聚焦于具身智能中的精细动作控制研究。该数据集通过多视角视觉观测与关节状态数据，记录了机器人执行关闭下层抽屉任务的全过程，为模仿学习与强化学习算法提供了丰富的训练资源。当前前沿研究正探索如何利用此类多模态数据提升机器人在非结构化环境中的泛化能力，结合视觉-动作映射模型与端到端策略学习，以应对家庭服务机器人面临的复杂操作挑战。这一方向与机器人开源社区推动标准化数据格式的热潮相呼应，旨在加速真实世界机器人技能的获取与迁移，对促进低成本、高效率的机器人技能学习具有重要意义。