KWG-CL

这是一个用于厨房废物分类场景中2D抓取的持续学习数据集。数据集基于KWG2024和Xrobot机器人系统构建，包含5个任务，任务ID号越高，图像背景复杂度逐渐增加。每个任务包含RGB和深度图像，由Realsense D455相机捕获。数据集的标注通过机器人系统自动标注并经过人工验证和修正。

This is a continual learning dataset for 2D grasping tasks in the scenario of kitchen waste classification. The dataset is constructed based on the KWG2024 and Xrobot robotic systems. It consists of 5 tasks, where the background complexity of the captured images gradually increases with the rise of the task ID number. Each task contains RGB and depth images captured by a Realsense D455 camera. The annotations of the dataset are automatically generated by the robotic system, and then verified and corrected manually.

原始信息汇总

KWG-CL 数据集概述

数据集简介

KWG-CL 是一个用于厨房废物分类场景中2D抓取的持续学习数据集。该数据集基于 KWG2024 和 Xrobot 机器人系统构建。通过在 KWG2024 上训练抓取模型，使基于 Xrobot 的系统能够自主抓取并标注目标，随后进行人工审核和修正，形成了 KWG-CL 数据集。

数据集结构

数据集分为5个任务，任务ID编号越大，图像背景复杂度逐渐增加。具体任务数据如下：

• TASK1: 418 张 RGB 和深度图像
• TASK2: 484 张 RGB 和深度图像
• TASK3: 512 张 RGB 和深度图像
• TASK4: 434 张 RGB 和深度图像
• TASK5: 480 张 RGB 和深度图像

所有图像均通过 Realsense D455 相机采集。

数据收集方式

机器人系统基于在 KWG2024 上训练的模型，在真实场景中自主标注数据。系统将抓取错误的标注为0，抓取正确的标注为1。错误标注显示为红色，正确标注显示为绿色。

数据标注方式

所有由分类系统自主标注的标签均需人工验证。对于错误标注或未标注的对象，将进行手动标注。使用的标注工具是基于 grasp-rectangle-labelling tool 修改的。

数据集状态

由于相关论文正在提交过程中，且数据集用于进一步实验，目前仅发布部分数据集。

许可证

该数据集采用 Creative Commons Attribution 4.0 International License 许可证。

搜集汇总

数据集介绍

构建方式

在厨房废物分类场景中，KWG-CL数据集的构建基于[KWG2024](https://github.com/HNUsong/KWG2024)和[Xrobot](https://github.com/TDA-2030/XRobot)机器人系统。首先，通过在KWG2024上训练抓取模型，使Xrobot系统能够在真实场景中自主抓取并标注目标。随后，所有自动标注的标签经过人工审核和修正，形成了KWG-CL数据集。该数据集被划分为五个任务，任务ID编号递增，图像背景复杂度逐步增加。每个任务包含不同数量的RGB和深度图像，均由Realsense D455相机捕获。

特点

KWG-CL数据集的显著特点在于其多任务划分和逐步增加的背景复杂度，这为持续学习提供了丰富的训练样本。此外，数据集的标注过程结合了自动化和人工审核，确保了标注的准确性和可靠性。图像数据的多样性和高质量的标注工具，使得该数据集在厨房废物分类和机器人抓取研究中具有广泛的应用潜力。

使用方法

使用KWG-CL数据集时，研究者可以根据任务ID选择不同复杂度的图像进行训练和测试。数据集中的RGB和深度图像可以用于多模态融合模型的训练，以提高抓取任务的准确性。此外，数据集的标注工具提供了图像确认、标注、辅助标注和添加序列号等功能，便于研究者进行进一步的标注和分析。由于数据集的部分内容目前仅对特定实验开放，使用者需关注相关论文的发布情况。

背景与挑战

背景概述

KWG-CL数据集是针对厨房废物分类场景中的2D抓取任务而设计的持续学习数据集。该数据集由Songyun Deng、Yaoxin Lai、Li Zhou等研究人员创建，目前正处于论文提交阶段。KWG-CL数据集基于KWG2024数据集和Xrobot机器人系统构建，通过训练抓取模型，使机器人能够在实际场景中自主抓取并标注目标。随后，所有标注数据经过人工审核和修正，形成了包含五个任务的KWG-CL数据集。每个任务的图像背景复杂度逐渐增加，涵盖了从简单到复杂的不同抓取场景。

当前挑战

KWG-CL数据集在构建过程中面临多项挑战。首先，自动化数据收集和标注过程中，机器人系统的自主抓取和标注准确性是一个关键问题。其次，人工审核和修正标注数据的过程耗时且复杂，需要确保标注的准确性和一致性。此外，数据集的持续学习特性要求模型能够在不同复杂度的任务中逐步提升性能，这对模型的适应性和鲁棒性提出了更高的要求。最后，由于相关论文仍在提交阶段，数据集的完整发布受到限制，这可能影响其在更广泛研究中的应用和验证。

常用场景

经典使用场景

在厨房废物分类的背景下，KWG-CL数据集被广泛应用于持续学习中的2D抓取任务。该数据集通过逐步增加图像背景复杂性的五个任务，为机器人系统提供了丰富的训练样本。具体而言，从TASK1到TASK5，图像背景的复杂性逐渐增加，使得模型能够在不同复杂度的环境中进行抓取操作。这种设计使得KWG-CL数据集成为研究持续学习在实际应用中适应性和鲁棒性的理想选择。

解决学术问题

KWG-CL数据集解决了在厨房废物分类场景中，机器人系统如何通过持续学习提高抓取精度和适应性的学术问题。通过提供多任务、多复杂度的图像数据，该数据集帮助研究人员探索和验证持续学习模型在动态环境中的表现。这不仅推动了机器人抓取技术的发展，也为其他领域的持续学习研究提供了宝贵的实验数据和理论支持。

衍生相关工作

基于KWG-CL数据集，研究者们开展了一系列相关工作，包括但不限于多模态融合抓取模型、自动化数据收集系统以及持续学习算法的研究。这些工作不仅提升了机器人系统的抓取精度和适应性，还为其他领域的持续学习研究提供了新的思路和方法。例如，有研究利用该数据集开发了新的多目标抓取模型，显著提高了抓取成功率，并在多个国际会议上发表了相关论文。