TagAggDann/lekiwi_strafe

该数据集由LeRobot创建，属于机器人领域。数据集包含40个episodes，7480帧数据，涉及1个任务。数据文件总大小为100MB，视频文件总大小为200MB，帧率为30fps。数据集包含多种特征，如动作（x.vel, y.vel, theta.vel）、状态观测（x.vel, y.vel, theta.vel）、前端图像（480x640分辨率，3通道）等。数据集采用apache-2.0许可证。

This dataset was created using LeRobot and belongs to the robotics domain. It contains 40 episodes, 7480 frames, and involves 1 task. The total size of data files is 100MB, and video files are 200MB, with a frame rate of 30fps. The dataset includes various features such as action (x.vel, y.vel, theta.vel), observation.state (x.vel, y.vel, theta.vel), observation.images.front (480x640 resolution, 3 channels), etc. The dataset is licensed under apache-2.0.

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的行为数据集是训练机器人模仿学习模型的关键。lekiwi_strafe数据集基于LeRobot框架构建，旨在记录机器人横向移动（strafe）这一特定任务。数据集采集自一台名为lekiwi_client的机器人，共计40个演示片段，涵盖7480帧数据，以30帧/秒的帧率进行录制。数据以Parquet格式存储，并采用分块机制，每块包含1000帧，同时视频数据以AV1编码的MP4文件保存，分辨率为480×640像素。所有训练数据未进行训练/验证集划分，默认全部用于训练。数据集的元信息统一记录在info.json文件中，确保数据结构的可复现性。

特点

该数据集聚焦于单一任务——机器人横向移动，但动作和状态空间均包含三个维度：x方向速度、y方向速度和角速度，体现了对平面运动控制的精细建模。每个样本不仅包含动作和状态信息，还提供了来自前视摄像头的图像观测，为视觉运动策略的学习提供了多模态输入。此外，数据集包含了时间戳、帧索引、片段索引等结构化的元数据，方便进行时序分析和数据索引。总数据量约为100MB的Parquet文件和200MB的视频文件，规模适中，适合用于原型验证和算法开发。

使用方法

使用LeRobot库可便捷地加载此数据集。用户首先通过lerobot.common.datasets.le_dataset模块的LeDataset类，指定数据集名称'TagAggDann/lekiwi_strafe'即可从Hugging Face Hub读取数据。加载后，数据集遵循标准的features结构，其中的动作和状态可通过字典键访问，图像数据则可作为视频帧序列读取。由于数据集未划分验证集，用户可自行设定拆分比例，例如使用前32个片段训练、后8个片段评估。此外，可结合LeRobot内置的可视化工具，在Hugging Face Spaces中直观浏览每个片段的图像与动作轨迹。

背景与挑战

背景概述

lekiwi_strafe数据集由研究团队基于LeRobot框架创建，专注于机器人运动控制领域，核心研究问题在于如何通过模仿学习实现轮式机器人精准的横向平移与原地旋转动作。该数据集包含40个演示片段，共计7480帧，记录了机器人执行单一横向移动任务时的状态与视觉信息。作为机器人学习领域的新兴资源，lekiwi_strafe为研究低样本量下的动作泛化提供了基准，推动了机器人从演示中捕捉细微运动模式的能力边界。

当前挑战

该数据集所解决的领域问题在于机器人运动控制中横向移动（strafe）任务的模仿学习，传统方法难以在非结构化环境中高效捕捉此类非简单位移动作的连续性。构建过程中面临的核心挑战包括：1) 需在有限演示（仅40段）下确保动作高保真度，防止过拟合；2) 视觉-动作数据同步精度要求严苛，尤其是30fps下的多模态对齐；3) 单一任务设定限制了数据集对复杂场景的覆盖，如何从稀疏数据中提炼泛化策略仍是核心难题。

常用场景

经典使用场景

在移动机器人研究领域，lekiwi_strafe数据集主要服务于基于视觉与运动信号的机器人横移动态控制任务。该数据集为LeRobot生态中标准化的多模态机器人操控数据，包含40个完整轨迹，每个轨迹以30帧/秒的速度记录了前向视觉图像（480×640分辨率）及机器人三自由度速度指令（x方向线速度、y方向线速度、偏航角速度）。研究者通常利用这些结构化数据训练端到端的模仿学习或强化学习模型，使机器人学会在复杂环境中完成平稳的横向移动，尤其适用于密集人群或狭窄空间下的避障与导航场景。

解决学术问题

该数据集直接回应了移动机器人领域长期存在的两大难题：一是缺乏高质量、多模态且任务单一明确的横移运动基准数据，导致不同算法难以公平对比；二是机器人运动控制研究中视觉与低层运动指令之间的映射关系复杂，传统方法难以泛化。通过提供超过7400帧同步的视觉-运动状态-动作对，lekiwi_strafe为行为克隆、逆强化学习以及基于模型的预测控制等经典方法提供了可靠的训练与评估基准，推动了从感知到运动控制端到端模型的可复现性研究，显著降低了机器人运动学习研究的入门门槛。

衍生相关工作

围绕lekiwi_strafe数据集，学术界已衍生出一系列富有启发性的研究工作。在算法层面，研究者基于此数据集验证了带重加权机制的扩散策略在机器人横移任务上的优势，显著提升了动作序列的平滑度与成功率；另一类工作则将该数据集作为多任务学习框架的标准测试床，探讨视觉特征在不同机器人本体间的迁移能力。在工具链方面，LeRobot社区利用该数据集开发了完整的可视化与回放工具，使得研究者可以直观分析模型输出的横移轨迹与真实演示之间的差异，促进了机器人模仿学习领域数据标准化与模型复现的进程。