遇见数据集

Battery_sort

收藏
Hugging Face2026-08-21 更新2026-08-22 收录
官方服务:

资源简介:

该数据集由 LeRobot 框架创建,是一个机器人操作数据集,旨在支持机器人学习研究。数据集包含 100 个演示片段(episodes),共计 79890 帧数据,覆盖 2 个不同的任务。数据特征包括:6 维动作(shoulder_pan, shoulder_lift, elbow_flex, wrist_flex, wrist_roll, gripper 的位置)、6 维机器人状态(与动作相同维度)、两个摄像头(camera1 和 camera2)的 RGB 图像(分辨率 480x640,H.264 编码,30fps),以及时间戳、帧索引、节目索引、索引和任务索引。机器人类型为 so_follower。数据以 Parquet 格式存储,图像以 MP4 视频格式存储。训练集包含全部 100 个节目(索引 0:100)。该数据集适用于机器人模仿学习、行为克隆、操作技能学习等任务,提供多模态观测(状态+视觉)与动作序列。

This dataset is created by the LeRobot framework, a robot manipulation dataset aimed at supporting robot learning research. It contains 100 demonstration episodes with a total of 79,890 frames, covering 2 different tasks. Data features include: 6-dimensional actions (positions of shoulder_pan, shoulder_lift, elbow_flex, wrist_flex, wrist_roll, gripper), 6-dimensional robot states (same dimensions as actions), RGB images from two cameras (camera1 and camera2, resolution 480x640, H.264 encoding, 30fps), along with timestamps, frame indices, episode indices, indices, and task indices. The robot type is so_follower. Data is stored in Parquet format, and images are stored as MP4 video files. The training set includes all 100 episodes (indices 0:100). This dataset is suitable for tasks such as robot imitation learning, behavior cloning, and manipulation skill learning, providing multimodal observations (state+vision) and action sequences.

创建时间:
2026-08-18
原始信息汇总

数据集概述

基本信息

  • 数据集名称: Battery_sort
  • 提供机构: NIATphysicalAI
  • 许可证: Apache-2.0
  • 任务类别: 机器人(Robotics)
  • 标签: LeRobot
  • 创建工具: LeRobot

数据集结构

数据规模

  • 总片段数(Episodes): 100
  • 总帧数(Frames): 79,890
  • 总任务数(Tasks): 2
  • 数据文件大小: 约100 MB(Parquet格式)
  • 视频文件大小: 约200 MB(MP4格式)
  • 帧率(FPS): 30

数据划分

  • 训练集(Train): 0:100(全部100个片段用于训练)

机器人类型

  • so_follower

特性(Features)

动作与状态(Action & Observation State)

  • 数据类型: float32
  • 维度: 6
  • 包含变量:
    • shoulder_pan.pos
    • shoulder_lift.pos
    • elbow_flex.pos
    • wrist_flex.pos
    • wrist_roll.pos
    • gripper.pos

图像观测(Observation Images)

  • 摄像头: camera1 和 camera2
  • 分辨率: 480×640×3(高×宽×通道)
  • 视频编码: H.264
  • 像素格式: yuv420p
  • 视频帧率: 30 FPS
  • 是否为深度图: 否
  • 通道数: 3

其他元数据字段

  • timestamp: float32,形状为[1]
  • frame_index: int64,形状为[1]
  • episode_index: int64,形状为[1]
  • index: int64,形状为[1]
  • task_index: int64,形状为[1]

文件路径结构

  • 数据文件: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
  • 视频文件: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

其他说明

  • 数据集基于LeRobot框架创建,适用于机器人操控任务的模仿学习等应用场景。
  • 该数据集的引用信息(BibTeX)目前尚未提供。
搜集汇总
数据集介绍
Battery_sort 数据集图片
构建方式
Battery_sort数据集是基于LeRobot框架构建的机器人操作数据集,旨在捕捉电池分类任务中的精细动作序列。数据采集过程通过双臂机器人(so_follower)执行,以30帧每秒的频率记录高分辨率视觉信息(480x640 RGB图像)与六维关节状态数据,包括肩部、肘部、腕部及夹爪的位姿。数据集包含100个演示片段,共计79890帧,覆盖两项子任务,每项任务均配备双视角摄像头(camera1与camera2)以增强空间感知。原始数据以Parquet格式存储,视频以H.264编码的MP4文件保存,并通过元数据索引(如时间戳、帧索引、任务索引)实现结构化组织。
使用方法
使用Battery_sort数据集时,研究者可通过LeRobot库加载并处理数据,该库内置数据加载器与可视化工具。数据以chunk形式存储,每个chunk包含若干parquet文件与对应视频,易于按需读取。建议将动作和观测状态序列作为输入,结合图像信息训练策略模型(如扩散策略或Transformer),用于机器人控制。由于数据已包含完整的episode划分,可直接用于离线强化学习或行为克隆任务。需注意,数据采集环境的传感器配置需与目标场景匹配,以实现零样本迁移。
背景与挑战
背景概述
Battery_sort数据集由NIATphysicalAI团队创建,依托于LeRobot框架,旨在解决机器人操作领域中电池分类这一精细任务。该数据集于近期发布,采用Apache-2.0许可证,包含100个演示回合,总计约79,890帧,覆盖2个任务,数据采集自SO-100双臂机器人,配置有双RGB摄像头(480x640分辨率,30 FPS),记录了六维动作和状态信息。其核心研究问题在于,通过模仿学习使机器人掌握基于视觉的物体分拣技能,推动机器人从结构化环境向非结构化场景的泛化能力。该数据集为机器人学习社区提供了标准化的基准,促进了视觉-运动控制策略在精细操作任务中的研究与应用,对具身智能领域的发展具有潜在影响力。
当前挑战
Battery_sort数据集所应对的领域挑战包括:电池分类作为典型的精细操作任务,要求机器人具备高精度的视觉感知和灵巧的动作控制,以处理形状相似、尺寸微小的物体,这对传统控制方法和现有视觉策略构成了显著考验。在构建过程中,挑战主要体现在数据采集的复杂性和一致性上:需确保双摄像头同步记录、动作-视觉数据对齐以及不同演示之间的任务变化;数据规模有限(100回合)和任务多样性不足,可能限制模型泛化能力;此外,动作空间包含5个关节和夹爪的6维控制,对策略学习的高维映射能力提出需求,尤其是在处理接触动力学和物体易滑落等实际问题时,如何从有限数据中提取稳健的表示成为关键难点。
常用场景
经典使用场景
Battery_sort数据集是面向机器人操作任务的高质量演示数据集,其核心使用场景集中于机器人学习中的模仿学习与行为克隆。该数据集通过记录六自由度机械臂在电池分拣任务中的动作序列、状态信息及多视角视觉观测,为训练端到端控制系统提供了完整的‘视觉-状态-动作’映射样本。研究者可利用该数据训练策略网络,使机器人能够从高维图像输入中解析环境特征,并生成精确的关节控制指令,从而实现柔顺、高效的物体分类操作。该数据集的发布显著降低了复现真实机器人操作实验的门槛,成为验证模仿学习算法有效性的重要基准资源。
解决学术问题
该数据集直面机器人学习领域中长期存在的‘数据匮乏’与‘维度灾难’挑战,为从感知到动作的端到端映射研究提供了标准化的训练与评估媒介。它解决了传统方法中手工设计状态特征和奖励函数难以泛化的问题,使学术界能够聚焦于算法层面的创新,如策略网络的架构优化、视觉-运动协同表征学习及跨任务迁移技术。通过提供包含双视角视觉和精确位姿控制的密集采样数据,Battery_sort支撑了针对机器人抓取、分拣等精细化操作的学习机制探索,推动了基于视触觉融合的决策模型研究,并促进了从仿真环境到真实世界部署的域适应研究。
实际应用
在实际应用中,Battery_sort数据集直接服务于智能仓储与自动化生产线的分拣系统开发。基于该数据训练的机器人能够自主识别不同规格的电池,并执行精准的抓取、搬运和分类流程,显著提升生产效率与作业的一致性。其内置的标准化数据格式和配套的LeRobot工具链,便于工程师快速构建定制化的部署方案,实现从离线训练到在线控制的无缝衔接。此外,该数据集的低延迟、高同步特性,亦使其适用于需要实时反馈的协作机器人场景,为中小型企业低成本引入智能机器人解决方案提供了可靠的数据基础。
数据集最近研究
最新研究方向
随着机器人学习与具身智能的迅猛发展,基于人类示教的数据集在推动技能泛化方面扮演着关键角色。Battery_sort数据集以电池分拣为任务场景,通过双相机视觉观测与六自由度机械臂状态动作序列的精细采集,为模仿学习与行为克隆提供了高质量的专家示范。当前研究前沿聚焦于利用此类多模态机器人数据训练视觉-运动感知模型,以提升机器人在复杂装配与分拣任务中的操作精度与环境适应性。该数据集支持端到端策略学习与多任务泛化研究,其episode化结构及高帧率视频记录为时序建模和跨场景迁移提供了丰富素材,对于探索可复用操作技能和构建通用机器人基础模型具有重要推动作用,亦为物流自动化与智能制造领域的革新提供了数据支撑。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务