eval_ACT_so100_dice_red_v1

该数据集是一个机器人学任务的数据集，包含了使用LeRobot生成的数据。数据集的结构详细描述了各种观察和动作的特征，如机器人肩膀、肘部、手腕和夹爪的位置等。数据以parquet格式存储，视频为av1编码，没有音频。具体的任务描述和背景信息未提供。

原始信息汇总

数据集概述

基本信息

• 名称: eval_ACT_so100_dice_red_v1
• 许可证: apache-2.0
• 任务类别: robotics
• 标签: LeRobot, so100, dice, red, eval, act
• 创建工具: LeRobot

数据集结构

• 数据文件: data//.parquet
• 配置: default

元数据

• 代码库版本: v2.1
• 机器人类型: so100
• 总集数: 1
• 总帧数: 301
• 总任务数: 1
• 总视频数: 3
• 总块数: 1
• 块大小: 1000
• 帧率: 30 fps
• 分割:
  • 训练集: 0:1

数据路径

• 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

特征

• action:
  • 类型: float32
  • 形状: [6]
  • 名称: main_shoulder_pan, main_shoulder_lift, main_elbow_flex, main_wrist_flex, main_wrist_roll, main_gripper
• observation.state:
  • 类型: float32
  • 形状: [6]
  • 名称: main_shoulder_pan, main_shoulder_lift, main_elbow_flex, main_wrist_flex, main_wrist_roll, main_gripper
• observation.images.laptop:
  • 类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息:
    • 高度: 480
    • 宽度: 640
    • 编解码器: av1
    • 像素格式: yuv420p
    • 深度图: false
    • 帧率: 30 fps
    • 通道数: 3
    • 音频: false
• observation.images.phone:
  • 类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息: 同 observation.images.laptop
• observation.images.gripper:
  • 类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息: 同 observation.images.laptop
• timestamp:
  • 类型: float32
  • 形状: [1]
• frame_index:
  • 类型: int64
  • 形状: [1]
• episode_index:
  • 类型: int64
  • 形状: [1]
• index:
  • 类型: int64
  • 形状: [1]
• task_index:
  • 类型: int64
  • 形状: [1]

引用

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

eval_ACT_so100_dice_red_v1数据集基于LeRobot框架构建，专为机器人技术领域设计。该数据集通过记录so100型机器人的动作和状态数据，采用高频率的帧采样（30fps）确保数据的时间分辨率。数据以分块形式存储，每个分块包含1000帧，采用parquet格式高效压缩，同时配套保存多视角视频数据（包括笔记本电脑、手机和机械臂摄像头视角），视频编码采用AV1格式以平衡质量与存储效率。

特点

该数据集的核心特征在于其多维度的机器人动作-状态观测体系，包含6自由度机械臂的关节角度和夹持器状态，以及三路同步视频流。数据结构严谨，每个数据点均附带精确的时间戳和帧索引，便于时序分析。视频数据采用480×640分辨率，保留RGB三通道信息，且通过标准化编码确保跨平台兼容性。特别值得注意的是，所有传感器数据均经过严格的时间对齐，为机器人控制算法的端到端训练提供可靠的多模态输入。

使用方法

使用该数据集时，可通过解析meta/info.json文件获取完整的数据结构描述。典型应用场景包括加载特定分块的parquet文件进行机械臂动作分析，或结合视频路径提取视觉特征。建议采用流式处理方式逐步加载大型分块数据，避免内存溢出。对于机器学习任务，可利用预定义的训练集划分（train: 0:1）构建模型，同时注意各字段的dtype和shape规范以确保数据解析正确性。视频数据需使用支持AV1解码的库进行处理。

背景与挑战

背景概述

eval_ACT_so100_dice_red_v1数据集由LeRobot团队开发，专注于机器人技术领域的研究与应用。该数据集通过记录机械臂的动作状态、观测数据以及多视角视频信息，旨在为机器人行为建模与强化学习算法的评估提供高质量的真实世界数据。数据集采用Apache 2.0开源协议，包含301帧数据，涵盖6自由度机械臂的关节角度、末端执行器状态以及来自笔记本电脑、手机和夹爪摄像头的多模态视觉信息。其结构化存储格式与丰富的元数据标注，为机器人控制策略的仿真与迁移学习研究奠定了重要基础。

当前挑战

该数据集面临的核心挑战体现在两个方面：在领域问题层面，如何准确捕捉和表征机械臂在复杂环境中的高维连续动作空间与多模态感知信息，仍是机器人控制领域亟待解决的难题；在构建过程层面，数据采集系统需要同步处理多路高帧率视频流与精确的关节状态记录，对硬件同步性与数据存储效率提出了严苛要求。此外，数据集规模相对有限，可能制约其在深度强化学习等数据驱动方法中的应用潜力。

常用场景

经典使用场景

在机器人控制领域，eval_ACT_so100_dice_red_v1数据集为研究者提供了一个标准化的评估平台，用于测试和验证机械臂动作控制算法的性能。数据集包含多视角视频记录和精确的关节状态数据，使得研究者能够全面分析机械臂在不同任务中的运动轨迹和执行效率。

解决学术问题

该数据集解决了机器人动作控制研究中数据标准化不足的问题，为算法性能的定量评估提供了可靠依据。通过提供精确的关节角度和视频数据，研究者能够深入分析机械臂的动态行为，优化控制策略，提升动作执行的准确性和稳定性。

衍生相关工作

基于该数据集，研究者已开发出多种先进的机械臂控制算法，包括基于强化学习的自适应控制方法和视觉-动作联合建模技术。这些工作进一步推动了机器人控制领域的发展，为复杂环境下的机械臂应用提供了新的解决方案。