TagAggDann/lekiwi_rotation

该数据集是使用LeRobot创建的机器人数据集。数据集包含40个episodes，5659帧，1个任务。数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集结构包括动作、观察状态、图像和时间戳等特征，具体数据类型和形状在meta/info.json中有详细描述。数据集采用apache-2.0许可证。

This dataset was created using LeRobot. It contains 40 episodes, 5659 frames, and 1 task. The data files size is 100MB, and the video files size is 200MB, with a frame rate of 30fps. The dataset structure includes features such as action, observation state, images, and timestamps, with specific data types and shapes detailed in meta/info.json. The dataset is licensed under apache-2.0.

搜集汇总

数据集介绍

构建方式

在机器人学习与模仿学习领域，构建精准的动作数据集是实现技能迁移的核心环节。lekiwi_rotation 数据集依托 LeRobot 框架，通过在线机器人操控平台 lekiwi_client，采集机器人旋转运动的轨迹数据。数据集包含 40 个完整回合（episode），共计 5659 帧，所有数据均以 30 帧/秒的采样频率记录。数据存储采用分块 Parquet 格式（每块 1000 帧），并配套 AV1 编码的高清视频（480×640）作为视觉观测，确保动作与状态信息的同步性与完整性。构建过程严格遵循统一的任务定义与数据分割策略，所有回合均划归训练集，为单任务学习提供一致且充分的样本基础。

特点

该数据集在结构上呈现出鲜明的工业化特征与精细化设计。其核心特点在于将机器人低维控制指令与高维视觉信息有机融合：动作与状态特征均包含线速度（x.vel、y.vel）与角速度（theta.vel）三个维度，物理意义明确且维度简洁。视频观测采用 480×640 分辨率、30 FPS 的 RGB 图像流，兼顾细节保留与数据规模控制。此外，数据集内置了完整的时序索引（时间戳、帧索引、回合索引），便于进行序列建模与时间对齐分析。数据总规模约为 300MB（含视频），支持高效 I/O 读取，适用于实时机器人策略网络训练与评估。

使用方法

该数据集深度集成 LeRobot 生态，使用者可通过 Hugging Face Spaces 链接直接可视化样本内容。推荐使用 LeRobot 库的数据加载接口，按默认配置即可自动读取分块 Parquet 与视频文件，获取形如 (action, observation.state, observation.images.front) 的观测-动作对。数据已按 0:40 索引完成训练集划分，无需额外手动拆分。为适配模仿学习算法，建议将动作与状态序列组织为固定长度（如 chunk_size=1000）的片段，并利用视频编解码加速模块并行加载多模态数据。研究者亦可基于该数据集的单一任务设定，通过增广采样或噪声注入，扩展为多任务或多视角训练集。

背景与挑战

背景概述

在机器人学习领域，模仿学习已成为赋予机器人复杂操控与运动能力的核心范式之一。然而，高质量、多模态的示范数据集长期匮乏，制约了该方向的发展。lekiwi_rotation数据集便是在此背景下，由研究者基于LeRobot框架于近期创建，旨在为轮式机器人旋转运动控制提供标准化训练资源。该数据集聚焦于单一旋转任务，包含40个示范片段与5659帧序列，以30帧/秒采集640×480的视觉图像与三维线速度、角速度动作信息。作为LeRobot生态中的开源组成部分，其Apache-2.0许可促进了机器人行为学习研究的可复现性与可扩展性，为探索具身智能体在受限空间中的精细化运动调控提供了宝贵基石。

当前挑战

lekiwi_rotation数据集所应对的领域挑战，在于如何从有限的高维视觉与低维动作混合示范中，高效泛化出稳健的旋转运动策略，尤其是在现实场景中面对地面摩擦、负载变化等不确定因素时保持动作精准性。构建过程中，数据集面临着动作与状态空间维度较低（仅三维）但需与高帧率视觉流精确同步的难题，同时需保证40个示范片段覆盖足够的动作多样性以克服过拟合风险。此外，采用LeRobot标准化格式要求数据以parquet+mp4分块存储（共100+200MB），这给数据采集、标注与质量校验带来了显著工程复杂度，确保连续运动轨迹的平滑性与标签一致性成为核心挑战。

常用场景

经典使用场景

在机器人领域，运动控制一直是核心挑战之一，尤其是对于轮式或全向移动平台而言。lekiwi_rotation数据集正是在这一背景下应运而生，专门用于研究机器人的旋转运动控制。该数据集包含了40个由Lekiwi机器人平台采集的回放片段，总计超过5600帧的高频运动数据，每帧记录了机器人沿x、y轴的速度以及绕z轴的角速度。通过前视摄像头（分辨率480×640，30fps）同步捕捉视觉环境信息，数据集被广泛应用于模仿学习与行为克隆任务，旨在让机器人从人类示范中习得平滑且自然的旋转路径规划策略。

实际应用

在实际应用中，lekiwi_rotation数据集为多种实用场景提供了支撑。在仓储物流领域，自主移动机器人（AMR）需要频繁在狭窄过道中完成原地旋转以调整货架方向，此数据集可直接用于训练此类高精度转向操作。在酒店服务机器人中，数据驱动的旋转控制模型能使设备在避开障碍物后优雅地调整朝向，提升人机交互的自然感。此外，该数据集亦可辅助开发家庭清洁机器人的墙角清扫路径优化，通过模仿学习减少无效的往复运动。这些应用不仅提升了机器人任务的完成质量，还降低了传统手动编程的维护成本，加速了智能机器人在日常生活中的落地进程。

衍生相关工作

基于lekiwi_rotation数据集，衍生了一系列经典的学术与工程工作。其中，Hugging Face团队携手LeRobot社区将其作为基准之一，用于验证基于Transformer的决策预训练模型（如RT-2风格架构）在连续动作空间中的微调效果。另有研究将其与扩散策略（Diffusion Policy）相结合，通过去噪过程生成更平滑的旋转轨迹，显著降低了动作抖动。在数据增强探索中，学者们借助该数据集的多视角视觉输入，提出了跨场景域适应的旋转知识蒸馏方法。这些衍生产品不仅拓展了原始数据集的应用边界，也反过来激励了更高效数据采集策略的发展，形成了良性循环的研究生态。