record_test_converted

这是一个专注于机器人技术的数据集，具体为so101_follower类型的机器人。数据集包含8个剧集，共14392帧，1个任务，8个视频，1个片段，每个片段1000帧。数据以Parquet格式存储，视频为av1编码的MP4文件。数据集提供了动作、状态、前视图像、时间戳、帧索引、剧集索引、索引和任务索引等多种特征信息。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot

数据集结构

• 总任务数: 1
• 总视频数: 8
• 总帧数: 14392
• 总片段数: 1
• 片段大小: 1000
• 帧率: 30 FPS
• 数据格式: Parquet
• 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

特征描述

• 动作特征: 6维浮点数组，包含肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置
• 观测状态: 6维浮点数组，关节位置与动作特征相同
• 前视图像观测: 视频格式，分辨率1080×1920×3，AV1编码，无音频
• 时间信息: 包含时间戳、帧索引、片段索引和任务索引

分割信息

• 训练集: 包含全部8个片段

技术信息

• 代码库版本: v2.1
• 机器人类型: so101_follower

搜集汇总

数据集介绍

构建方式

在机器人技术领域，高质量数据集对算法训练至关重要。record_test_converted数据集通过LeRobot平台构建，采用结构化数据采集方式，包含8个完整任务片段，总计14392帧数据。数据以分块形式存储于parquet格式文件中，每块包含1000帧，采样频率为30Hz，确保了时序数据的连续性与完整性。

特点

该数据集显著特点在于其多模态数据结构，同步记录六自由度机械臂关节位置的动作指令与状态观测值，并配备1080p高清前端视觉数据。所有数据均带有精确的时间戳和帧索引，支持端到端的机器人控制策略学习。数据维度明确，动作与观测空间均以浮点型数值规范存储，便于模型直接处理。

使用方法

研究人员可通过加载parquet数据文件访问多维特征，包括关节角度、图像帧及元数据。数据集已预分为训练集，支持直接用于行为克隆或强化学习算法训练。视觉数据以视频流形式存储，需配合帧索引对齐使用，适用于时空建模任务。

背景与挑战

背景概述

机器人学习领域近年来对高质量示范数据的需求日益增长，record_test_converted数据集应运而生。该数据集由HuggingFace的LeRobot团队构建，专注于六自由度机械臂的模仿学习任务。数据集采集自so101_follower型机器人，包含8个完整示教片段和14392帧多维数据，涵盖了关节状态、视觉观测与动作指令的同步记录。这类数据集为机器人策略学习提供了宝贵的真实世界交互数据，推动了从仿真到实物的迁移研究。

当前挑战

该数据集主要应对高维连续控制中的动作泛化难题，需解决从视觉输入到关节角度的精确映射问题。构建过程中面临多模态数据同步的技术挑战，包括机械臂状态数据与1080p高清视频帧的毫秒级对齐。数据采集环节需保证六关节轨迹的平滑性与任务执行的完整性，同时要处理大规模视频数据的压缩存储与快速检索问题，这些都对数据管道设计提出了极高要求。

常用场景

经典使用场景

在机器人学习领域，该数据集通过记录六自由度机械臂的关节位置状态与高清视觉观测数据，为模仿学习与行为克隆算法提供了高质量的训练素材。研究者可利用其时空对齐的多模态数据流，构建端到端的机器人控制策略，实现从视觉输入到动作输出的直接映射。

解决学术问题

该数据集有效解决了机器人技能迁移中的示范数据稀缺性问题，为无模型强化学习提供了可靠的离线训练基础。通过提供精确的时间戳与帧索引，它支持长时序依赖关系建模，显著提升了策略网络在动态环境中的泛化能力与稳定性。

衍生相关工作

基于此类结构化示范数据，学术界衍生出多模态融合的跨任务泛化框架，如基于时空注意力的行为预测模型。工业界则发展了基于演示学习的自适应校准系统，显著降低了机器人编程门槛并提升了任务复现精度。