gistailab/mobile_ai_test_centrifuge_tube

该数据集是一个机器人学数据集，使用LeRobot创建。它包含38个总集数，34689个总帧数，以及1个总任务。数据以30帧每秒的速率采集，存储为parquet格式文件，总数据文件大小为100MB，视频文件大小为500MB。数据集的特征包括动作数据（如左右机械臂关节位置和速度）、观测状态（与动作数据相同）、来自三个摄像头的图像观测（cam_high、cam_left_wrist、cam_right_wrist，分辨率均为480x640x3），以及时间戳、帧索引、集索引、索引和任务索引。机器人类型为mobileai_robot，数据集仅包含训练分割。This dataset is a robotics dataset created using LeRobot. It contains a total of 38 episodes, 34,689 frames, and 1 task. Data is collected at 30 frames per second, stored in parquet format files, with a total data file size of 100MB and video file size of 500MB. The dataset features include action data (e.g., positions of left and right robot arm joints and velocities), observation state (same as action data), image observations from three cameras (cam_high, cam_left_wrist, cam_right_wrist, all with resolution 480x640x3), as well as timestamp, frame index, episode index, index, and task index. The robot type is mobileai_robot, and the dataset includes only a training split.

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的示范数据集对于技能习得至关重要。该数据集基于LeRobot框架构建，聚焦于离心管操作这一精细任务。数据采集于mobileai机器人平台，共包含38个操作回合，累计34689帧时序数据，涵盖单一任务类型。数据以分块形式存储于Parquet文件中，视频与状态数据分别编码，确保了数据的高效存取与可扩展性。

使用方法

基于LeRobot生态，用户可直接通过HuggingFace加载该数据集进行模仿学习或强化学习训练。数据集已预设训练集划分（0至38回合），支持按批次或时序窗口采样。使用时，可通过解析Parquet文件获取状态、动作与视频帧，并利用预设的chunks_size参数控制内存加载。视频文件路径与数据路径分离，支持按需流式读取，适用于分布式的机器人策略学习流程。

背景与挑战

背景概述

随着机器人学习领域的蓬勃发展，模仿学习与数据驱动的策略训练成为推动具身智能进步的核心范式。mobile_ai_test_centrifuge_tube数据集由Hugging Face社区依托LeRobot框架创建，专注于为移动式双机械臂平台提供精细操作任务的演示数据。该数据集包含38个演示片段，总计34689帧，以30帧每秒的高频采集，覆盖了机械臂各关节角度与移动底盘速度等多维动作信息，并同步记录三视角（高视角、左腕、右腕）的视觉观测。其核心研究问题聚焦于如何在复杂实验室场景中实现微型离心管的精准抓取与操作，为机器人从人类演示中习得细粒度操控技能提供了标准化训练资源。尽管该数据集规模有限，但因其依托权威开源生态，且提供了结构化的动作-状态-视觉对齐数据，为后续多任务拓展与算法复现奠定了重要基础。

当前挑战

该数据集所解决的领域问题在于机器人精细操作场景中的模仿学习数据稀缺与灵活泛化难题，尤其是在高自由度双机械臂协同作业下，如何通过有限的演示数据学习稳健的策略以完成离心管等微型物体的精确操作。构建过程中面临多重挑战：首先，数据采集需同步处理16维动作空间与多摄像头视频流，确保时间戳对齐与动作一致性；其次，仅有38个演示片段（约100MB数据文件与500MB视频文件）的规模限制了策略对噪声与动态环境的鲁棒性；此外，目前仅支持单任务训练，缺乏对场景光照变化、物体位姿偏移等干扰因素的适应性，导致模型过拟合风险较高。这些挑战制约了数据集在真实实验室环境下的即插即用效果，亟需通过数据增强或迁移学习策略加以缓解。

常用场景

经典使用场景

在机器人操作与模仿学习领域，mobile_ai_test_centrifuge_tube数据集为双机械臂协同操作任务提供了宝贵的训练资源。该数据集基于移动机器人平台，记录了38个回合、近35000帧的离心管操作演示，包含高分辨率视觉观测（顶部相机及左右腕部相机）与16维关节动作状态信息。研究者可借此训练策略模型，使机器人学习从视觉输入到多关节动作的映射，实现离心管的精准抓取、移动与放置等精细操作，是验证模仿学习算法在真实复杂场景中泛化性能的经典基准。

解决学术问题

该数据集核心解决了双机械臂在动态移动平台上执行精密操纵任务时面临的学术难题。传统固定基座机器人的控制策略难以直接迁移至移动平台，而该数据集中包含的移动底座速度指令（x.vel, theta.vel）为研究移动操作耦合控制提供了关键数据支撑。它推动了具身智能中‘移动-操作协同’的学术探索，使得研究人员能够量化评估不同策略在动态环境下的鲁棒性，对理解多模态感知与运动控制的融合机制具有里程碑意义，显著降低了移动机器人灵巧操作研究的入门门槛。

实际应用

在实际应用层面，该数据集直接赋能于实验室自动化与工业物料搬运场景。具体而言，可用于训练移动机器人自主完成离心管的分拣、转运和装载等重复性实验操作，替代人力在生物安全环境或高精度要求下的工作。此外，它还可作为智慧医疗物流场景的验证数据，例如在检验科样本运输过程中实现管架的自动提取与放置。由于数据格式兼容LeRobot框架，开发者可便捷地将预训练模型部署至实体mobileai机器人上，实现从仿真数据收集到实际产线应用的高效闭环。

数据集最近研究

最新研究方向

在机器人操作与模仿学习的前沿交叉领域，mobile_ai_test_centrifuge_tube数据集为移动机械臂的精细操控任务提供了关键研究素材。该数据集聚焦于离心管这一生物医学实验中的典型目标对象，记录了38个演示回合、逾3.4万帧多视角视觉与关节角度数据，涵盖左右双六轴机械臂及末端夹爪的协同运动。当前，利用大规模示范数据进行行为克隆与扩散策略训练是机器人学习的重要方向，而该数据集特有的移动基座与双臂联合控制信息，为研究动态环境下的灵巧操作、任务泛化及人机协作提供了高保真基准。其与LeRobot框架的深度整合，进一步推动了开源机器人数据生态的标准化进程，加速了从仿真到真实世界转移的算法验证。