record-3poses

这是一个由LeRobot创建的机器人数据集，包含50个episodes，每个episode包含多个frames。数据集结构包括行动、观察状态、顶部和手腕的图像等信息。数据集适用于机器人学相关任务。

原始信息汇总

数据集概述

基本信息

• 数据集名称: record-3poses
• 任务类别: 机器人技术
• 标签: LeRobot
• 许可证: Apache-2.0
• 创建工具: LeRobot

数据集规模

• 总任务数: 1
• 总回合数: 50
• 总帧数: 13870
• 数据块大小: 1000
• 帧率: 30 FPS
• 数据分割: 训练集（0:50）

存储信息

• 数据文件格式: Parquet
• 视频文件格式: MP4
• 数据文件总大小: 100 MB
• 视频文件总大小: 500 MB
• 数据存储路径: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频存储路径: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

数据特征结构

动作特征

• 数据类型: float32
• 维度: [6]
• 关节名称:
  • shoulder_pan.pos
  • shoulder_lift.pos
  • elbow_flex.pos
  • wrist_flex.pos
  • wrist_roll.pos
  • gripper.pos

观测状态

• 数据类型: float32
• 维度: [6]
• 关节名称:
  • shoulder_pan.pos
  • shoulder_lift.pos
  • elbow_flex.pos
  • wrist_flex.pos
  • wrist_roll.pos
  • gripper.pos

顶部图像观测

• 数据类型: 视频
• 分辨率: 480×640×3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图
• 无音频

腕部图像观测

• 数据类型: 视频
• 分辨率: 480×640×3
• 视频编码: AV1
• 像素格式: yuv420p
• 非深度图
• 无音频

元数据特征

• 时间戳: float32[1]
• 帧索引: int64[1]
• 回合索引: int64[1]
• 数据索引: int64[1]
• 任务索引: int64[1]

技术信息

• 代码库版本: v3.0
• 机器人类型: so100_follower
• 所有特征帧率: 30 FPS

引用信息

• 论文: 待补充
• 主页: 待补充
• BibTeX引用: 待补充

搜集汇总

数据集介绍

构建方式

在机器人技术领域，record-3poses数据集通过LeRobot平台精心构建，采用so100_follower机器人系统采集真实世界交互数据。该数据集包含50个完整任务片段，总计13870帧数据，以30帧每秒的频率记录机器人关节位置与视觉信息。数据以分块形式存储于parquet文件中，每个块包含1000帧，确保了高效的数据管理与访问。

使用方法

研究人员可通过解析parquet数据文件直接获取结构化机器人交互记录，利用帧索引与时间戳实现精准数据对齐。视频数据以MP4格式独立存储，支持与动作状态数据协同分析。该数据集专为训练机器人控制策略设计，可通过加载指定分块数据构建监督学习样本，适用于动态环境下的行为克隆与强化学习算法验证。

背景与挑战

背景概述

机器人学习领域近年来致力于通过大规模数据集推动具身智能的发展，record-3poses数据集作为LeRobot项目的重要组成部分，聚焦于机械臂操作任务的动态建模。该数据集采集自so100_follower型机器人平台，包含50个完整交互序列与13870帧多模态数据，通过整合关节状态观测与双视角视觉信息，为机器人动作生成与状态预测研究提供了结构化实验基础。其采用30Hz同步采集频率与标准化数据组织架构，显著提升了机器人模仿学习与策略泛化能力的可复现性。

当前挑战

在机器人操作任务领域，该数据集需解决高维连续动作空间与多传感器时序对齐的核心难题。构建过程中面临机械臂轨迹精确标定、双视角视觉数据同步存储等技术挑战，尤其需平衡6自由度关节控制精度与视频流数据的存储效率。此外，跨模态特征融合与长时序任务分割对数据管线的实时性提出了严格要求，如何保持动作指令与视觉观测间的因果一致性成为数据集质量保障的关键。

常用场景

经典使用场景

在机器人学习领域，record-3poses数据集主要应用于机械臂运动规划与控制的算法验证。该数据集通过记录六自由度机械臂的关节位置数据和多视角视觉信息，为模仿学习与强化学习研究提供了丰富的训练样本。研究者可利用其包含的肩部平移、肩部抬升、肘部弯曲等完整关节运动轨迹，开发精准的动作预测模型。

解决学术问题

该数据集有效解决了机器人领域动作表示学习的核心难题。通过同步采集的顶部视角与腕部视角视觉数据，结合精确的关节状态记录，为研究多模态感知与运动控制的耦合关系提供了重要支撑。其标准化数据格式显著降低了机器人学习算法的验证门槛，推动了基于视觉的端到端控制方法的发展。

实际应用

在实际工业场景中，record-3poses数据集支撑了智能抓取与精密装配等任务的算法优化。基于该数据集训练的模型可应用于自动化生产线，实现机械臂的精准轨迹规划。其包含的抓取器位置数据特别适用于研究柔性物体的抓取策略，为物流分拣、精密制造等领域的自动化升级提供了技术基础。

数据集最近研究

最新研究方向

在机器人操作学习领域，record-3poses数据集凭借其多视角视觉观测与关节动作的同步记录特性，正推动模仿学习与视觉运动控制的前沿探索。研究者聚焦于从稀疏示教数据中提取泛化策略，利用顶部与腕部双摄像头构建的空间感知系统，结合六自由度机械臂的连续动作轨迹，开发能够适应动态环境的端到端决策模型。该数据集支撑的行为克隆与逆强化学习研究，为服务机器人精准抓取、柔性装配等复杂任务提供了关键训练基础，同时促进了多模态表征学习在真实场景下的算法验证与性能突破。