CoRL2026-CSI/SO101_teleop_close_lid_100epi_wristfix

该数据集是一个机器人操作数据集，专注于通过遥操作执行关闭锅盖的任务。它使用真实机器人（类型为so_follower）收集，包含100个情节和30048帧数据。数据集采用手腕固定（wristfix）配置，动作和观察状态包括6个关节位置（肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转、夹爪位置）。观察数据包括来自左腕摄像头和顶视角摄像头的视频，分辨率为480x640，帧率为30fps，使用h264编解码器。数据格式为Parquet文件，视频为MP4文件，适用于机器人学习和控制研究。This dataset is a robotics manipulation dataset focused on teleoperation for closing a pot lid. It was collected using a real robot (type: so_follower) and consists of 100 episodes with 30048 frames. The dataset employs a wristfix configuration, with actions and observation states including 6 joint positions (shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, gripper). Observations include video from left wrist and top-view cameras at 480x640 resolution, 30fps, using h264 codec. Data is stored in Parquet files and videos in MP4 format, suitable for robot learning and control research.

搜集汇总

数据集介绍

构建方式

SO101_teleop_close_lid_100epi_wristfix数据集基于LeRobot框架构建，通过遥控操作（teleoperation）采集真实机器人环境下的数据。数据集包含100个完整演示回合，每个回合记录了SO101型机械臂执行闭合锅盖任务的过程。数据采集时固定了机械臂腕部姿态（wristfix），以确保操作的一致性。数据以Parquet格式存储结构化信息，视频则采用H.264编码的MP4文件保存，总帧数达30048帧，采样频率为30帧/秒。

特点

该数据集的核心特点在于其针对单一任务（闭合锅盖）的高质量、多模态记录。每个回合包含6维关节动作指令（肩部、肘部、腕部及夹爪）与对应的状态观测，同时提供左腕相机和俯视相机两个视角的实时视频流。数据集采用统一的训练集划分（0:100），并设计了分块存储策略（每块1000帧），便于高效加载与分布式处理。此外，Apache-2.0许可协议降低了研究复用的门槛。

使用方法

使用者可通过LeRobot库直接加载该数据集，利用提供的元信息（info.json）解析动作、状态与视觉观测。数据集兼容标准的模仿学习与强化学习流程，支持基于状态或视觉输入的策略训练。建议将视频帧与关节数据对齐后，构建端到端的控制模型。此外，Hugging Face Spaces上的可视化工具可快速预览数据样本，辅助理解任务动态与数据分布特征。

背景与挑战

背景概述

在机器人学习与灵巧操作领域，精细化的末端执行任务（如容器盖闭合）对于实现自主化生产与家庭服务具有里程碑意义。2026年，由CoRL2026-CSI研究团队构建的SO101_teleop_close_lid_100epi_wristfix数据集，基于LeRobot框架创建，专注于通过遥操作（teleoperation）方式收集机械臂执行罐盖闭合任务的示范数据。该数据集包含100个演示回合，总计30048帧，以30 FPS的高频记录，并采用腕部固定（wristfix）构型以减少关节冗余误差。其核心研究问题聚焦于如何利用少量高质量遥操作数据学习可泛化的闭合技能，推动了具身智能领域中模仿学习与行为克隆方法的实证研究，为后续细粒度操作策略的迁移与鲁棒性评估提供了标准化基准。

当前挑战

该数据集所解决的领域挑战主要在于精细接触式操作任务中的模仿学习泛化困境。具体而言，罐盖闭合需精确协调肩、肘、腕及夹爪的六自由度联动，且存在接触力与位姿不确定性，传统基于运动学模型的规划方法难以覆盖真实场景中的摩擦力与几何偏差。在构建过程中，数据集面临两大技术难点：一是遥操作信号中的人为抖动与时滞问题，需通过腕部固定与30 FPS的高时间分辨率来补偿；二是多模态数据（6维关节状态与双相机H.264视频流）的同步标注挑战，需确保每一时间戳下动作与观测的对应关系无误。此外，仅100次演示的样本量对表征学习与过拟合抑制也构成了显著约束。

常用场景

经典使用场景

在机器人操作学习领域，SO101_teleop_close_lid_100epi_wristfix数据集为模仿学习与行为克隆范式提供了高质量的遥操作演示样本。该数据集聚焦于机械臂腕部固定条件下的锅盖闭合任务，通过100个完整轨迹记录了30048帧的高频动作与观测数据，其中包含来自左腕相机与俯视相机的同步视频流。研究者可依托此数据集训练端到端的策略网络，使机器人从人类演示中习得精确的物体操作技能，尤其适用于研究高精度抓取与装配动作的时序依赖关系。

实际应用

在实际工业与生活场景中，该数据集训练出的策略可直接赋能家用服务机器人执行厨房中的容器密封操作，例如为烹饪锅具紧凑地盖上盖子以防止热量散失。在仓储物流领域，基于此数据学习到的闭合动作模式可迁移至包装封箱环节，让机器人以可靠力度完成纸箱翻盖闭合。此外，其固定腕部的设置尤为适用于医疗辅助应用中机械臂输出稳定性需求严格的手术器械收纳场景。

衍生相关工作

该数据集诞生于LeRobot开源生态，其标准化的多模态格式（含6自由度关节动作、关节状态与双视角视频）直接催生了多项后续研究。同行研究者已基于此数据集发展了抗干扰的鲁棒模仿学习框架，以及结合触觉反馈的混合感知策略。数据集中的“腕部固定”约束条件启发了关于机器人操作中冗余自由度消除的分析工作，推动了更深入的动作基元抽象研究。此外，它作为CoRL2026-CSI项目的重要组成部分，为跨机构协作评估机器人学习算法的可信度与复现性设立了范本。