g1_loco

该数据集记录了机器人环境配置中的状态和行为数据，主要包括三个部分：1) post_step_obs（执行步骤后的观察），包含基座角速度、重力方向向量、速度命令、关节位置和速度、上一次的动作、步态相位和地形高度样本等信息；2) pre_step_actions（执行步骤前的动作），记录前一步骤采取的动作；3) pre_step_height_scanner（执行步骤前的高度扫描仪原始数据），提供地形高度样本。这些数据用于描述机器人在环境中的状态和行为，适用于机器人控制和环境感知研究。

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: g1_loco
• 来源平台: Hugging Face
• 数据集地址: https://huggingface.co/datasets/Fanyahao/g1_loco

数据记录方式

数据使用机器人环境配置中的 recorders 进行记录。默认的录制器配置提供以下项目：

项目	在HDF5文件中的名称	简要描述
post_step_obs	obs	执行器观测值（不含线速度，添加了均匀噪声）
pre_step_actions	actions	动作（在前一步骤中采取的动作）
pre_step_height_scanner	height_raw	高度扫描仪原始数据

主要观测数据 (post_step_obs) 结构

post_step_obs 包含以下字段：

字段	维度	描述
base_ang_vel	3	基座角速度，缩放因子为 $0.2$
projected_gravity	3	重力方向向量在机体坐标系中的投影
velocity_commands	3	期望的基座速度指令 $(v_x, v_y, omega_z)$
joint_pos_rel	29	相对关节位置
joint_vel_rel	29	相对关节速度，缩放因子为 $0.05$
last_action	29	上一个控制步骤中应用的动作
gait_phase	2	标量步态相位变量，固定周期为 $0.8s$
height_scanner	187	地形高度样本，分辨率为 0.1m，尺寸为 1m * 1.6m

数据使用说明

• 主要所需数据为 post_step_obs。
• 若需要不含均匀噪声的高度图，请使用 height_raw。

搜集汇总

数据集介绍

构建方式

在机器人环境配置中，g1_loco数据集通过内置的记录器模块系统性地采集多模态传感器数据。该过程利用预定义的观测记录配置，如`PreStepFlatPolicyObservationsRecorderCfg`，实时捕获执行器观测、动作指令及地形高度扫描信息。数据以步进式方式存储于HDF5格式文件中，确保了时序的连贯性与结构的完整性，为后续的机器人运动策略分析提供了可靠的数据基础。

特点

g1_loco数据集涵盖了机器人运动控制中的关键状态变量，包括基座角速度、投影重力向量、速度指令以及关节位置与速度等29维相对参数。其独特之处在于集成了高分辨率地形高度扫描数据，以0.1米的分辨率覆盖1米×1.6米区域，共计187个采样点。此外，数据集引入了步态相位变量与带均匀噪声的观测记录，增强了其在复杂地形适应性与鲁棒控制研究中的实用价值。

使用方法

研究人员可通过HDF5文件直接访问`obs`键下的执行器观测数据，其中已包含经过缩放的动力学状态与噪声处理后的地形信息。若需原始高度图，则可调用`height_raw`字段获取未加噪声的地形扫描结果。该数据集适用于机器学习模型的训练与验证，特别是在腿部机器人运动策略生成、地形感知与自适应控制等领域，能够为仿真到实物的迁移学习提供高质量的基准数据。

背景与挑战

背景概述

g1_loco数据集诞生于机器人运动控制领域，由相关研究团队为推进四足机器人在复杂地形中的自主导航能力而构建。该数据集聚焦于模拟与真实环境中的动态运动策略学习，核心研究问题在于如何通过高维传感器数据与动作序列的映射，实现机器人的稳定、高效移动。其创建整合了先进的仿真环境与数据采集技术，为强化学习与运动规划算法提供了丰富的训练与验证资源，显著推动了腿式机器人适应性与鲁棒性的研究进展。

当前挑战

该数据集旨在解决四足机器人在非结构化地形中的运动控制问题，挑战包括处理高维观测空间（如187维地形高度扫描数据）与动作空间的复杂耦合，以及如何在噪声干扰下保持策略的泛化能力。构建过程中的挑战涉及传感器数据的同步与校准，特别是高度扫描仪的分辨率与噪声模拟，同时需确保动作序列与观测状态的时间对齐，以反映真实的物理交互动态。

常用场景

经典使用场景

在机器人运动控制领域，g1_loco数据集为四足机器人复杂地形下的运动策略学习提供了关键支持。该数据集通过记录机器人在动态环境中的观测、动作及地形高度信息，构建了丰富的状态-动作对序列，使得研究者能够基于强化学习或模仿学习框架，训练机器人适应崎岖、不平整地面的稳健步态控制策略。其高度扫描数据与关节状态信息的结合，为模拟真实世界地形交互提供了高保真仿真基础。

解决学术问题

g1_loco数据集有效应对了机器人学中运动控制策略泛化能力不足的挑战。传统方法往往依赖于精确建模或有限环境下的手工调参，难以适应未知地形变化。该数据集通过提供包含噪声的观测数据与原始地形高度信息，促进了数据驱动方法的进展，使得研究人员能够开发出更具适应性和鲁棒性的控制算法，从而推动四足机器人在非结构化环境中的自主导航与运动规划研究。

衍生相关工作

围绕g1_loco数据集，已衍生出一系列经典研究工作，主要集中在强化学习策略的改进与仿真到现实的迁移。例如，研究者利用其序列数据开发了基于深度强化学习的端到端运动控制器，实现了在未见地形上的零样本适应；同时，结合高度原始数据的工作探索了地形特征提取与步态生成的联合优化方法。这些成果不仅推动了四足机器人控制领域的算法创新，也为后续更大规模仿真数据集的构建提供了范式参考。