record-50-test6_20260603_170137

该数据集由LeRobot平台创建，属于机器人领域，包含80个episodes，总计49598帧数据，涵盖1个任务。数据以Parquet文件格式存储，并包含视频文件。核心特征包括：动作数据（action），为6维浮点数组，表示机械臂的关节位置（包括肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）；观测状态（observation.state），同样为6维关节位置；观测图像包括机械臂视角（observation.images.arm）和俯视视角（observation.images.overhead）的视频，分辨率均为480x640，3通道彩色，帧率为30fps，使用AV1编码。此外，数据集还包含时间戳、帧索引、episode索引、任务索引等元数据字段。数据总大小约为300MB（其中结构化数据100MB，视频数据200MB），适用于机器人控制、模仿学习、视觉-动作策略学习等任务。This dataset is created by the LeRobot platform and belongs to the robotics domain. It contains 80 episodes, totaling 49,598 frames of data, covering 1 task. The data is stored in Parquet file format and includes video files. Core features include: action data (action), which is a 6-dimensional floating-point array representing the joint positions of the robotic arm (including shoulder translation, shoulder lift, elbow bend, wrist bend, wrist rotation, and gripper position); observation state (observation.state), also a 6-dimensional joint position; observation images include videos from the robotic arm perspective (observation.images.arm) and overhead perspective (observation.images.overhead), both with a resolution of 480x640, 3-channel color, a frame rate of 30fps, and encoded using AV1. Additionally, the dataset includes metadata fields such as timestamps, frame indices, episode indices, and task indices. The total data size is approximately 300MB (with 100MB for structured data and 200MB for video data), and it is suitable for tasks such as robot control, imitation learning, and vision-action policy learning.

原始信息汇总

• 数据集名称: record-50-test6_20260603_170137
• 许可证: Apache-2.0
• 任务类别: 机器人学 (Robotics)
• 创建工具: 使用 LeRobot 创建
• 可视化: 可通过 可视化空间 查看

数据集结构

• 代码库版本: v3.0
• 帧率 (fps): 30
• 总片段数 (Episodes): 80
• 总帧数: 49,598
• 总任务数: 1
• 数据块大小: 1,000
• 数据文件大小: 约100 MB
• 视频文件大小: 约200 MB
• 机器人类型: so_follower
• 数据划分: 训练集包含片段0至79 (共80个片段)

特征

特征名称	数据类型	形状	描述
action	float32	(6,)	机械臂6个关节的动作，包括：肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转、夹爪位置
observation.state	float32	(6,)	观测状态，含6个关节的位置（与动作维度相同）
observation.images.arm	video	(480, 640, 3)	机械臂摄像头视频，分辨率480x640，编码为AV1，帧率30fps
observation.images.overhead	video	(480, 640, 3)	俯视摄像头视频，分辨率480x640，编码为AV1，帧率30fps
timestamp	float32	(1,)	时间戳
frame_index	int64	(1,)	帧索引
episode_index	int64	(1,)	片段索引
index	int64	(1,)	全局索引
task_index	int64	(1,)	任务索引

数据文件存储格式

• 数据路径: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet (Parquet文件)
• 视频路径: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4 (MP4视频文件)

搜集汇总

数据集介绍

构建方式

该数据集record-50-test6_20260603_170137依托于LeRobot框架构建，专为机器人学习领域设计。数据以Parquet格式存储，并辅以AV1编码的视频文件，记录了机械臂在操作任务中的多模态信息。数据集包含80个完整片段，总帧数达49598帧，全部用于训练。每个片段涵盖了六自由度机械臂的关节位置动作指令与状态观测，同时包含两个视角（手臂视角与俯视视角）的RGB图像，数据采集频率为30帧每秒，确保了时间维度上的连续性与细腻度。

特点

数据集的核心特色在于其多模态与高保真特性。机械臂的动作与状态均以六维浮点向量精确记录，涵盖了肩部、肘部、腕部及夹爪等关键关节。两个摄像头视角提供了480x640分辨率的彩色图像，通过AV1高效视频编码压缩，在降低存储开销的同时保留了丰富的视觉信息。此外，数据集引入了时间戳、帧索引及任务索引等结构化元数据，便于时序分析。单任务设定聚焦于特定操作场景，而80个片段的设计则为学习鲁棒的策略提供了充足的示范数据。

使用方法

该数据集兼容LeRobot生态，用户可通过Hugging Face的`lerobot`库便捷加载。首先使用`from lerobot.common.datasets.lerobot_dataset import LeRobotDataset`导入数据集，然后通过`LeRobotDataset('aboardman/record-50-test6_20260603_170137')`实例化对象。数据以字典形式提供，包含`action`、`observation.state`及`observation.images`等键，可直接用于训练模仿学习或强化学习模型。支持可视化验证，通过Hugging Face Space界面交互式浏览视频与状态序列，简化了数据质量的核查流程。

背景与挑战

背景概述

该数据集基于LeRobot框架创建，专用于机器人学习研究，记录了机器人执行特定任务时的状态与动作数据。数据集包含80个episode，共计49598帧，以30 fps的帧率采集了机械臂的6维关节位置信息（包括肩部、肘部、腕部等自由度）以及两个视角（手臂视角与俯视视角）的480x640 RGB图像。创建时间标注为2026年6月3日，由用户aboardman发布，采用Apache-2.0许可证。该数据集聚焦于机器人模仿学习中的‘跟随’任务（so_follower），为研究机器人通过观察与动作轨迹进行技能习得提供了标准化样本。其价值在于通过高质量的多模态数据（本体感知与视觉输入）推动机器人学习领域的发展，尤其在强化学习与行为克隆等方法的训练与评估中具有基础性作用。

当前挑战

该数据集所解决的领域问题核心在于机器人模仿学习中的策略泛化与数据效率挑战。传统机器人编程依赖精确建模与手工设计，而基于数据驱动的方法需要大量多样化、高保真的交互数据来学习鲁棒的从感知到动作的映射。数据集构建过程中首先面临动作与状态空间的高精度标定难题：需确保6维关节位置与视觉图像间的时间同步与空间对应。其次，多视角视频（AV1编码，30fps，640x480）的采集与存储管理复杂度高，需平衡数据质量与存储开销（视频文件约200MB）。此外，80个episode的样本规模较小，难以覆盖任务中的全部变异性，可能限制模型在面对未见过场景或干扰时的泛化能力。最终，将高维视觉观察（3通道图像）与连续动作空间联合建模时，如何避免过拟合并提升样本效率仍是核心挑战。

常用场景

经典使用场景

在机器人学习领域，该数据集通过采集6自由度机器人手臂与夹爪在精细操作任务中的完整运动轨迹，为模仿学习与行为克隆提供了高质量的多模态示范数据。每一个训练样本都同步记录了关节空间的位置指令与对应的视觉观测，涵盖手臂顶部与俯视角两个角度的实时影像，使得智能体能够从人类演示中习得复杂的空间操控策略，成为机器人技能习得研究的理想基准资源。

实际应用

在实际应用中，该数据集可直接赋能工业装配、精细抓取与柔性制造等场景中的机器人编程工作。利用数据集中的示范轨迹，机器人能够快速掌握特定零件的对齐、插入或旋转等动作，而无需人工编写复杂指令。同时，由于包含了多视角视觉与关节状态信息，开发者可以借助该资源训练具有视觉反馈能力的机器人，使其在动态环境中自适应调整操作姿态，显著提升非结构化场景下的作业成功率。

衍生相关工作

围绕该数据集的特性，催生了一系列具有影响力的研究工作。首先，基于LeRobot框架的标准化接口，研究者开发了多种跨任务预训练模型，通过在此类数据集上学习通用运动先验，实现零样本或小样本下的新技能迁移。其次，该数据集被用作评估视觉运动策略压缩效率的基准，推动了轻量化神经网络在自主机器人部署中的发展。此外，一些工作还探索了利用数据增强与逆动力学模型合成更多演示，进一步拓展了数据集的效用边界。