arif101/libero90_waypoints

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
- libero
- libero_90
- panda
- waypoints
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v2.1",
"robot_type": "panda",
"total_episodes": 272,
"total_frames": 11334,
"total_tasks": 32,
"total_videos": 0,
"total_chunks": 1,
"chunks_size": 1000,
"fps": 10,
"splits": {
"train": "0:272"
},
"data_path": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet",
"video_path": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4",
"features": {
"image": {
"dtype": "image",
"shape": [
224,
224,
3
],
"names": [
"height",
"width",
"channel"
]
},
"wrist_image": {
"dtype": "image",
"shape": [
224,
224,
3
],
"names": [
"height",
"width",
"channel"
]
},
"state": {
"dtype": "float32",
"shape": [
8
],
"names": [
"state"
]
},
"target_state": {
"dtype": "float32",
"shape": [
8
],
"names": [
"target_state"
]
},
"actions": {
"dtype": "float32",
"shape": [
7
],
"names": [
"actions"
]
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是推动算法发展的基石。libero90_waypoints数据集依托LeRobot开源框架构建，通过Franka Emika Panda机械臂在多样化任务场景中采集数据。该数据集以10帧每秒的采样率记录了总计272条轨迹，涵盖32项不同任务，每条轨迹均以Parquet格式存储，包含图像观测、机器人状态、目标状态及动作指令等多模态信息，其结构化组织便于高效访问与处理。

使用方法

为有效利用该数据集，研究者可通过HuggingFace平台直接加载，并依据提供的元数据配置文件解析数据流。典型应用包括基于图像与状态输入的机器人策略学习、视觉运动规划模型的训练，以及多任务强化学习算法的评估。数据已预分割为训练集，用户可依据episode_index与task_index进行灵活的数据子集划分，以适配不同的实验设计与验证需求。

背景与挑战

背景概述

在机器人学习领域，模仿学习与强化学习的研究长期受限于高质量、结构化数据集的稀缺。libero90_waypoints数据集应运而生，由LeRobot团队基于Apache 2.0开源协议构建，专为机器人操作任务设计。该数据集依托Franka Emika Panda机器人平台，采集了涵盖32项不同任务的272条轨迹，总计11334帧数据，包含图像、状态、动作及时间戳等多模态特征。其核心研究问题聚焦于如何通过示教轨迹中的关键路径点（waypoints）来引导机器人完成复杂的序列化操作，从而推动机器人技能的高效学习与泛化能力提升，对家庭服务与工业自动化等场景具有重要参考价值。

当前挑战

该数据集旨在应对机器人操作任务中轨迹规划与技能泛化的核心挑战。具体而言，如何从高维视觉与状态观测中提取有效的路径点序列，以指导机器人精准执行多步骤操作，是领域内长期存在的难题。在构建过程中，研究人员面临数据采集的复杂性挑战，包括确保Panda机器人在多样化任务中动作的平滑性与安全性，以及多传感器数据（如本体图像与腕部图像）的精确同步与对齐。此外，数据标注与轨迹分割需保持高度一致性，以支撑后续模仿学习或强化学习算法的训练需求，这对数据集的可靠性与实用性构成了严峻考验。

常用场景

经典使用场景

在机器人学习领域，libero90_waypoints数据集为模仿学习与强化学习算法提供了关键支持。该数据集记录了Franka Panda机械臂在多样化任务中的轨迹数据，包括图像观测、状态信息及动作序列，特别适用于训练机器人从视觉输入中学习复杂操作技能。研究人员常利用这些轨迹数据构建端到端的控制策略，使机器人能够模仿人类演示，完成诸如物体抓取、堆叠等精细操作。

解决学术问题

该数据集有效解决了机器人学中样本效率低下与泛化能力不足的学术难题。通过提供高质量的多模态演示数据，它支持算法在有限真实交互下学习鲁棒策略，降低了现实世界数据收集的成本与风险。其结构化轨迹信息促进了从视觉到动作的映射研究，为克服领域偏移与任务复杂性提供了实证基础，推动了数据驱动机器人控制的理论进展。

实际应用

在实际应用中，libero90_waypoints数据集为家庭服务与工业自动化场景中的机器人技能部署提供了参考。基于该数据集训练的模型可赋能机械臂执行日常物品整理、装配线操作等任务，提升自动化系统的灵活性与适应性。其多视角图像与状态记录有助于开发能够在动态环境中实时感知并决策的智能体，促进机器人从实验室向真实世界的平稳过渡。

数据集最近研究

最新研究方向

在机器人学习领域，以视觉和状态数据为基础的行为克隆与强化学习正成为研究热点。libero90_waypoints数据集凭借其包含的Franka Panda机械臂多任务轨迹数据，为端到端策略学习提供了丰富资源。当前前沿探索集中于利用此类数据提升模型在复杂场景下的泛化能力，结合扩散模型等生成式方法进行轨迹预测，并推动离线强化学习算法在真实机器人部署中的稳健性。这些研究方向不仅加速了家庭与服务机器人的实用化进程，也为具身智能的发展奠定了关键数据基础。