shigengtian/OmakaseAI_r1_pro_v2_20260524_20260525_hq_right

这是一个高质量机器人数据集，采集自Galaxea R1 Pro双臂机器人，仅包含右臂数据，用于模仿学习和基于视觉的控制。数据集包含192个片段（移除了前14个因初始位置错误的部分），总帧数为47,602帧，帧率为30 FPS。任务是从下箱中拾取包装物品并放置到上箱中。摄像头配置包括两个摄像头：头部左侧摄像头（分辨率1536x1920）和右腕摄像头（分辨率720x1280）。编码格式为H.264，YUV420P。状态和动作空间为8自由度，包括关节位置（8个：右臂7个+右夹爪1个）、关节速度（8个）、末端执行器姿态（6个：x、y、z、滚动、俯仰、偏航）和夹爪位置（1个）。High-quality robot dataset collected from Galaxea R1 Pro dual-arm robot, right arm only, for imitation learning and vision-based control. It includes 192 episodes (first 14 removed due to incorrect home position), with a total of 47,602 frames at 30 FPS. The task is to pick packaged items from the lower bin and place them into the upper bin. Camera setup consists of two cameras: head_left (1536x1920) and wrist_right (720x1280). Encoding is H.264, YUV420P. State and action space is 8-DOF, including joint position (8: right arm 7 + right gripper 1), joint velocity (8), end-effector pose (6: x, y, z, roll, pitch, yaw), and gripper position (1).

搜集汇总

数据集介绍

构建方式

该数据集源自OmakaseAI项目，聚焦于高质量推理过程的数据采集与筛选。构建过程首先从2026年5月24日至25日的原始数据流中捕获交互日志，随后通过自动化质量评估管道，依据响应准确性、逻辑连贯性与信息密度等指标进行多轮过滤，最终保留符合高质性标准（HQ）且经方向校验（Right）的样本，形成精炼后的专用子集。

特点

本数据集具备显著的高纯净度与强针对性特点。所有样本均经过严谨的质量控制，剔除了噪声、重复及低相关性内容，确保每条数据均承载有效的推理路径。此外，数据集以时间窗口限定，便于进行阶段性模型迭代对比；其“Right”标签暗示了数据在特定任务导向上的正确性优先原则。

使用方法

该数据集适用于微调大语言模型的推理能力，尤其是在需要高可信度输出的应用场景中。使用时可直接以标准文本格式加载，作为监督学习中的问答对或思维链示例。建议在训练前进行上下文长度适配，并可根据下游任务需求，对数据集进行二次抽样或与通用语料混合以增强泛化性。

背景与挑战

背景概述

OmakaseAI_r1_pro_v2_20260524_20260525_hq_right 数据集由 Omakase 人工智能研究团队于 2026 年创建，主要聚焦于高质量、精确标注的右视多模态数据，旨在解决自动驾驶与机器人导航领域中右向感知的专用难题。该数据集的核心研究问题为提升在复杂交通场景下右侧环境感知的准确性与鲁棒性，填补了现有公开数据集多偏重前向或全景视角而忽略侧向细粒度标注的空白。其发布为相关领域提供了标准化评测基准，对推动右侧盲区检测、变道辅助等功能的算法迭代具有重要影响力。

当前挑战

该数据集面临的挑战首先在于领域问题层面：现有模型在右向感知中常受限于光照不均、遮挡和角度畸变，导致精度下降，而 OmakaseAI_r1_pro_v2_20260524_20260525_hq_right 需要提供高密度、高质量的标注以支撑小样本学习和泛化能力。构建过程中，团队需攻克多源传感器同步、右侧视角下动态物体（如行人、骑行者）的快速运动模糊以及天气变化导致的标注一致性难题，同时确保数据在时间窗口内的稀缺性与多样性平衡，这对数据清洗和质量控制提出了严苛要求。

常用场景

经典使用场景

OmakaseAI_r1_pro_v2_20260524_20260525_hq_right数据集作为日式料理领域中高质量、精细化标注的数据资源，在美食图像识别与菜品推荐系统中扮演着关键角色。该数据集收录了特定日期范围内经过严格筛选的高质量右侧视角图像，聚焦于Omakase（主厨发办）这一高端餐饮形式。研究者通常利用其进行多类别菜品的细粒度分类任务，例如区分不同种类的握寿司、刺身及前菜，并结合图像质量评估技术，构建能够理解餐具摆盘美学与食材视觉特征的智能模型。该数据集为探索餐饮场景下的视觉语义理解提供了标准化的测试基准。

实际应用

在实际应用层面，该数据集可被部署于高级餐厅的数字化服务系统之中，例如支持智能点餐终端通过手机拍摄菜品图像自动识别并显示其名称、配料及过敏原信息。在Omakase场景下，系统可结合数据集训练出的模型，实时向食客解释每道菜品的艺术意涵与食用顺序，从而提升用餐体验的沉浸感。同时，该数据集可用于开发餐饮管理软件，辅助主厨统计菜肴出品频率并优化菜单结构。此外，它也是美食图像搜索引擎与社交媒体自动标签功能的核心训练资源，有助于构建跨文化的饮食知识图谱。

衍生相关工作

基于该数据集，研究者已衍生出多项具有影响力的工作。在模型架构方面，有团队提出了结合注意力机制的细粒度寿司识别网络，复现了主厨对食材纹理的感知逻辑。在数据增强领域，后续工作探索了利用生成对抗网络补全生鱼片切面在不同光照下的表现，扩展了数据集的多样性。此外，该数据集催生了关于料理图像美学评分的开创性研究，学者通过构建回归模型将摆盘构图与人类审美偏好关联起来。这些工作不仅深化了数据集的价值，还为餐饮数字化创新提供了可复现的范式。