salmonHan/record-test_20260528_001630

该数据集是一个机器人学数据集，使用LeRobot创建，专门用于so_follower机器人类型。数据集包含1个episode，总计1797帧数据，帧率为30fps。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。数据集特征包括动作（6个浮点型关节位置：肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、状态观测（与动作相同的关节位置）、前端摄像头图像观测（视频格式，分辨率720x1280，3通道RGB，无音频）、时间戳、帧索引、episode索引、索引和任务索引。数据集适用于机器人控制和模仿学习任务，并遵循Apache 2.0许可证。This dataset is a robotics dataset created using LeRobot, specifically designed for the so_follower robot type. It contains 1 episode with a total of 1797 frames at a frame rate of 30fps. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. The dataset features include action (6 float32 joint positions: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper position), observation.state (same joint positions as action), observation.images.front (video format, resolution 720x1280, 3 channels RGB, no audio), timestamp, frame index, episode index, index, and task index. The dataset is suitable for robotics control and imitation learning tasks and is licensed under Apache 2.0.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，旨在为机器人学习领域提供高质量的演示数据。数据采集采用单次任务执行的方式，共记录1797帧连续观测，涵盖从初始状态到目标状态的完整操作轨迹。数据集以1000帧为单位进行分块存储，将动作序列、状态观测及多模态传感信息同步保存于Parquet格式文件中，同时关联高分辨率视频流，确保时空对齐的精确性。

特点

数据集具备鲜明的多模态融合特性，包含6维连续动作指令、对应关节状态观测以及1280×720像素的RGB视觉图像。动作与状态空间均覆盖肩部、肘部、腕部及夹爪等关键自由度，为模仿学习与强化学习提供完备的输入输出对。视频流采用AV1编码器以30帧/秒的速率记录，兼顾存储效率与视觉保真度。数据规模控制在约300MB，适合快速验证与原型迭代。

使用方法

用户可通过LeRobot库直接加载该数据集，利用其标准化的DataLoader接口获取批量的动作-观测对。数据已预设训练集划分，便于直接接入模仿学习算法。内置的在线可视化工具支持逐帧回放操作过程，辅助研究人员检验数据质量。建议将视频流与状态序列联合使用，通过时间戳对齐实现视觉-运动信息的协同建模。

背景与挑战

背景概述

该数据集由salmonHan研究团队于2026年创建，基于LeRobot框架构建，专注于机器人模仿学习领域。核心研究问题在于通过记录单个机械臂（so_follower）在特定任务下的动作序列和视觉观测数据，为机器人技能学习提供高质量的示范样本。数据集包含1个完整回合的1797帧数据，涵盖6维关节空间的动作指令与状态信息，以及1280×720分辨率的实时视觉流，这种多模态对齐的设计为机器人策略学习中的视觉-运动协同建模提供了基础资源。尽管规模有限，但其开源许可（Apache-2.0）和标准化格式（Parquet+MP4）为后续扩展与社区协作奠定了基础，有望推动低成本、可复现的机器人学习研究发展。

当前挑战

数据集面临的挑战主要源于机器人学习领域的核心难题。首先，仅含单个回合的示范数据远不足以泛化到复杂环境，模型容易因数据稀疏而过拟合，难以应对任务中的随机扰动或物体位置变化。其次，构建过程中需要精确同步30fps的高清视频流与二进制Parquet格式的关节状态数据，确保每一帧中动作、观测与时间戳严格对齐，这对数据采集硬件的时间同步精度提出了极高要求。此外，so_follower机械臂的6自由度运动范围有限，采集到的示范轨迹可能无法覆盖全部构型空间，导致策略在未探索的关节角度区域出现推理失败。这些挑战共同制约了数据集在真实场景中的直接应用效能。

常用场景

经典使用场景

该数据集record-test_20260528_001630专为机器人学习领域设计，其核心应用在于训练和评估基于模仿学习或强化学习的机器人操控策略。数据集包含单条持续约60秒的高频轨迹，记录了从动机械臂（so_follower）的1797帧状态与动作序列，涵盖6个关节自由度（肩部、肘部、腕部及夹爪）的连续位置信息。通过前视摄像头采集的1280×720分辨率视频流与对应的关节状态数据，研究者可构建从视觉观测到精细动作的端到端映射模型，尤其适用于少样本学习场景下的灵巧操作技能迁移。

解决学术问题

该数据集解决了机器人领域中小样本模仿学习与数据效率的学术难题。传统机器人数据采集需要大量人工示教或精确仿真环境，而该数据集通过统一的LeRobot框架验证了单任务单条轨迹数据的可用性，为探索从有限示范中泛化操控策略提供了实验基准。其意义在于推动了低数据依赖的机器人学习范式研究，尤其是在非结构化环境中，使模型能够从极少量真实世界交互中习得鲁棒的动作策略，降低了机器人学习研究对海量标注数据与昂贵仿真资源的依赖。

衍生相关工作

该数据集作为LeRobot生态的组成部分，衍生了多项代表性工作。研究者可基于其标准化的parquet数据格式与视频编码规范，复现并改进如ACT（Action Chunking with Transformers）和Diffusion Policy等离线模仿学习基线模型。同时，数据集的单任务小样本特性激励了数据增强技术与域随机化方法的发展，例如后续工作通过引入噪声扰动或视角迁移来扩展有限示范的多样性，进而催生了迁移学习与跨具身机器人技能泛化的相关研究。