KS325/close-upper-drawer-r1_emp

该数据集是一个机器人相关的数据集，由LeRobot创建。数据集包含20个集，17013帧，1个任务。数据集的特征包括动作、观察状态、图像观察（来自两个摄像头）、时间戳、帧索引、集索引等。数据集的格式为parquet，视频格式为mp4。数据集的结构信息在meta/info.json中有详细描述。

This dataset is a robotics-related dataset created by LeRobot. The dataset contains 20 episodes, 17013 frames, and 1 task. The features of the dataset include actions, observation states, image observations (from two cameras), timestamps, frame indices, episode indices, etc. The dataset is in parquet format, and the videos are in mp4 format. The structure of the dataset is detailed in meta/info.json.

搜集汇总

数据集介绍

构建方式

在机器人操作任务中，精细的灵巧控制是具身智能研究的核心挑战之一。该数据集依托LeRobot开源框架构建，聚焦于‘关闭上层抽屉’这一单一操作任务。数据采集基于so_follower机器人平台，以30帧每秒的采样率记录了20个完整的操作回合，总计17013帧时序数据。每个回合不仅包含6维关节空间的动作序列（肩部、肘部、腕部及夹爪位置），还同步采集了机器人的状态信息与两个摄像头视角的同步视频流（分辨率640×480，编码格式为AV1），从而构建起多模态对齐的机器人操作行为库。

使用方法

该数据集完全兼容LeRobot框架的标准化接口，用户可通过Hugging Face的datasets库直接加载。数据以Parquet格式分块存储于‘chunk-xxx/file-xxx.parquet’路径下，视频文件则按摄像头索引组织为MP4片段。数据划分已统一作为训练集（共20回合），无需额外拆分。首次使用时，系统会自动下载并构建数据缓存，后续可直接通过迭代器批量获取对齐后的动作、状态与图像数据，从而快速启动基于行为克隆或扩散策略的机器人操控模型训练。

背景与挑战

背景概述

在机器人操作领域，数据驱动的方法正逐渐成为主流，但高质量、细粒度的任务演示数据仍然稀缺。close-upper-drawer-r1_emp数据集由研究者通过LeRobot框架创建，聚焦于机器人执行“关闭上层抽屉”这一精细操作任务。该数据集于近期发布，隶属于LeRobot社区生态，采用Apache-2.0许可协议，旨在为模仿学习与强化学习提供可复现的基准。数据集共包含20个演示回合、逾17000帧时序数据，由so_follower型机器人以30 FPS采样，并同步录制双视角高清视频及六维关节角动作与状态信息。其发布填补了针对特定闭合式抽屉操作任务的细粒度数据空白，为研究灵巧操作中的碰撞规避、力控策略与任务泛化能力提供了重要参考。

当前挑战

该数据集主要应对两大挑战：其一是领域核心问题——机器人如何在非结构化环境下实现精准的闭合式抽屉操作。该任务涉及末端执行器与抽屉面板的碰撞接触、滑轨摩擦力的动态补偿以及目标对齐精度控制，要求策略具备鲁棒力感知与实时适应能力。其二是数据构建本身的技术挑战：通过遥操作收集20个回合的演示需保证动作轨迹的连贯性与任务成功率，同时需同步处理多模态数据流（视频、关节角、时间戳及帧索引）的精确对齐；此外，限于50MB的结构化数据与200MB的视频存储，如何在有限样本内覆盖任务空间的变异性（如抽屉初始开度、表面材质差异）亦是一大难点。

常用场景

经典使用场景

在机器人操作领域，该数据集被广泛用于构建和评估基于模仿学习的精确定位技能。其核心任务聚焦于闭合上层抽屉这一具有代表性的细粒度操作，涵盖了SO Follower机器人从视觉观测到关节动作的完整映射关系。研究人员常将其作为基准测试平台，验证多模态感知融合（如双视角图像与关节角度）在灵巧操作中的有效性，并探索小样本学习范式下从演示到策略迁移的可行路径。

解决学术问题

该数据集解决了机器人领域中从原始传感器数据到复杂操作策略端到端学习的核心难题。通过提供包含20个演示回合、超过17000帧的同步动作状态与视觉观测记录，它突破了传统手工编程的局限，使得深度模仿学习在受限空间中实现几何精度操作成为可能。其意义在于为闭环控制场景提供了标准化可复现的评估基准，推动了因果推理与泛化能力在机器人自主决策中的理论研究。

实际应用

在实际应用层面，该数据集赋能了家庭服务与工业装配等场景中机器人自适应操作能力的提升。例如，基于此训练的模型可被部署至协作机器人上，实现柜门闭合、抽屉归位等日常任务的自主执行。结合LeRobot框架的实时推理能力，它在智能仓储系统的货物存取、医疗场景中的无菌器械取用等环境里同样展现出积极价值，为劳动力密集型行业提供了降本增效的技术支撑。

数据集最近研究

最新研究方向

在机器人学习领域，该数据集聚焦于精细操作技能的模仿学习研究，特别是针对抽屉关闭这一日常居家任务。依托LeRobot框架采集的高质量遥操作数据，包含6自由度关节轨迹与双视角视觉流，为行为克隆、逆强化学习等前沿算法提供了基准测试环境。其采用30Hz高帧率视频与parquet结构化存储，契合近期端到端策略学习及多模态融合的热点方向。数据集的开放不仅推动了机器人从仿真到真实世界的迁移研究，更在具身智能浪潮中为低成本、高复现性的技能获取开辟了新路径，对家用服务机器人的自主性提升具有里程碑意义。