cloth_hanger_data_v1

该数据集由LeRobot创建，专注于机器人操作任务，特别是使用xarm7机器人进行衣架操作。数据集包含600个episodes，总计13145帧，覆盖42个任务。数据以parquet文件格式存储，总数据文件大小为100MB，视频文件大小为200MB，帧率为15fps。数据集结构包括多个特征字段，如来自两个摄像头（cam1和wrist）的视频观察数据（240x320分辨率，3通道），机器人状态观察数据（7个浮点数表示TCP位置和四元数姿态），以及动作数据（同样7个浮点数）。此外，还包含时间戳、帧索引、episode索引等辅助信息。数据集适用于机器人学习、动作预测等研究场景，采用Apache-2.0许可协议。

原始信息汇总

数据集概述

基本信息

• 数据集名称: cloth_hanger_data_v1
• 创建工具: LeRobot
• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot, robotics, manipulation, lerobot, xarm7, hanger

数据集结构

• 总任务数: 42
• 总情节数: 966
• 总帧数: 21185
• 帧率: 15 FPS
• 数据块大小: 1000
• 数据文件大小: 100 MB
• 视频文件大小: 200 MB
• 数据分割: 训练集 (0:966)
• 数据文件路径: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件路径: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

特征字段

• observation.images.cam1: 视频数据，形状 (240, 320, 3)，编码格式 AV1，像素格式 yuv420p。
• observation.images.wrist: 视频数据，形状 (240, 320, 3)，编码格式 AV1，像素格式 yuv420p。
• observation.state: 浮点数组，形状 (7)，包含 TCP 位置 (x, y, z) 和四元数 (qw, qx, qy, qz)。
• action: 浮点数组，形状 (7)，包含 TCP 位置 (x, y, z) 和四元数 (qw, qx, qy, qz)。
• timestamp: 浮点数组，形状 (1)。
• frame_index: 整型数组，形状 (1)。
• episode_index: 整型数组，形状 (1)。
• index: 整型数组，形状 (1)。
• task_index: 整型数组，形状 (1)。

机器人信息

• 机器人类型: xarm7
• 代码库版本: v3.0

可视化

• 可视化地址: https://huggingface.co/spaces/lerobot/visualize_dataset?path=yianW/cloth_hanger_data_v1

引用信息

• 论文: 未提供
• 主页: 未提供
• BibTeX: 未提供

搜集汇总

数据集介绍

构建方式

在机器人操作领域，高质量的数据集对于推动灵巧操控算法的进步至关重要。cloth_hanger_data_v1数据集依托LeRobot开源框架构建，采用xArm7机械臂平台执行衣物悬挂任务，通过系统化的数据采集流程，记录了966个完整操作片段，涵盖42种不同的任务场景。数据以分块形式存储，每块包含1000帧，总计21185帧图像与状态信息，并以Parquet格式高效组织，确保了数据的结构化和可扩展性。

特点

该数据集在机器人视觉与状态感知方面展现出显著特点，其多视角视觉数据包含固定摄像头与腕部摄像头采集的RGB视频，分辨率均为240x320，帧率为15fps，采用AV1编码压缩，兼顾了存储效率与视觉质量。状态观测与动作空间均以七维向量表征，精确捕捉末端执行器的位置与四元数姿态，辅以时间戳、帧索引与任务索引等元数据，为时序分析与任务泛化研究提供了丰富维度。

使用方法

研究者可利用该数据集进行机器人模仿学习与策略优化等实验，数据以标准化的特征字典形式呈现，便于直接加载至主流机器学习框架。通过访问HuggingFace平台提供的可视化工具，用户可直观浏览任务执行过程，而Parquet文件的流式读取支持高效的大规模数据处理。数据集遵循Apache 2.0许可，鼓励学术与工业界在机器人操作领域进行创新性探索与应用验证。

背景与挑战

背景概述

在机器人操作领域，非结构化环境下的灵巧操控一直是核心研究难题，尤其是涉及衣物等柔性物体的处理任务。cloth_hanger_data_v1数据集应运而生，它由Hugging Face的LeRobot项目团队创建，依托xArm7机械臂平台，专门针对衣架挂取这一具体操作场景进行数据采集。该数据集收录了966个完整操作序列，涵盖42种不同任务变体，总计超过21000帧多视角视觉与状态动作同步数据，旨在为基于学习的机器人操作策略提供高质量的真实世界交互轨迹。其构建遵循开源协作精神，采用Apache 2.0许可，推动了机器人模仿学习与强化学习算法在复杂物体操控方面的实证研究进展。

当前挑战

该数据集致力于解决机器人对柔性物体进行精确操作时的感知与控制挑战，衣架的非刚性结构、动态形变以及悬挂过程中的物理交互不确定性，使得传统基于模型的规划方法难以适用。在构建过程中，研究人员面临多重困难：如何确保多模态数据（如顶部摄像头与腕部摄像头视频、末端执行器状态）的精确时间同步；在真实物理环境中高效采集大规模、多样化的成功操作轨迹，同时避免数据偏差；以及设计合理的任务划分与数据组织形式，以支持后续策略学习的泛化能力。这些挑战共同指向了现实世界机器人数据收集的复杂性，以及对高质量、结构化操作数据集日益增长的需求。

常用场景

经典使用场景

在机器人操作领域，cloth_hanger_data_v1数据集以其丰富的视觉与状态数据，为机器人学习悬挂衣物等精细操作任务提供了经典范例。该数据集通过xArm7机械臂采集了多视角视频与末端执行器状态，涵盖了从抓取到悬挂的全过程，使得研究人员能够基于真实世界交互数据训练端到端的控制策略。其结构化的观测与动作序列，特别适用于模仿学习与强化学习算法的验证与优化，为机器人灵巧操作研究奠定了数据基础。

解决学术问题

该数据集有效应对了机器人操作研究中数据稀缺与泛化能力不足的挑战。通过提供大规模、多任务的实际操作记录，它支持了从视觉感知到动作生成的跨模态学习，促进了基于学习的控制方法在非结构化环境中的发展。其包含的多样化悬挂场景，有助于解决动作规划中的姿态估计与轨迹优化问题，推动了机器人操作从仿真向真实世界的迁移，提升了算法在复杂物体交互中的鲁棒性与适应性。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在机器人模仿学习与视觉运动策略学习领域。例如，利用其多视角视频序列，研究者开发了端到端的深度强化学习框架，实现了从原始像素到连续动作的映射；同时，基于状态与动作的对应关系，促进了行为克隆与逆强化学习算法的改进。这些工作不仅验证了数据集的实用价值，还拓展了其在多任务学习、领域自适应以及人机协作等方面的研究边界。