record-test

该数据集是一个机器人学相关的数据集，包含多个剧集（episodes）、帧（frames）和视频（videos）。每个文件中包含了特定的数据类型，如机器人的各种关节位置和前摄像头图像。数据集专注于特定任务的机器人臂动作和观察。该数据集的版本为v2.1，机器人类型为so101_follower，共有2个剧集，1030帧，1个任务，2个视频，1个数据块，每个数据块大小为1000，帧率为30。数据集分为训练集。 Apache-2.0协议。

原始信息汇总

数据集概述

基本信息

• 许可证: apache-2.0
• 任务类别: robotics
• 标签: LeRobot
• 配置:
  • 默认配置: 数据文件路径为 data/*/*.parquet

数据集描述

• 创建工具: LeRobot
• 主页: [More Information Needed]
• 论文: [More Information Needed]

数据集结构

• 元数据文件: meta/info.json
  • 代码库版本: v2.1
  • 机器人类型: so101_follower
  • 总集数: 2
  • 总帧数: 1030
  • 总任务数: 1
  • 总视频数: 2
  • 总块数: 1
  • 块大小: 1000
  • 帧率: 30 fps
  • 数据分割:
    • 训练集: 0:2
  • 数据路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
  • 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

特征

• 动作:
  • 数据类型: float32
  • 形状: [6]
  • 名称: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
• 观测状态:
  • 数据类型: float32
  • 形状: [6]
  • 名称: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
• 观测图像:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 名称: height, width, channels
  • 视频信息:
    • 高度: 480
    • 宽度: 640
    • 编解码器: av1
    • 像素格式: yuv420p
    • 是否为深度图: false
    • 帧率: 30 fps
    • 通道数: 3
    • 是否有音频: false
• 时间戳:
  • 数据类型: float32
  • 形状: [1]
• 帧索引:
  • 数据类型: int64
  • 形状: [1]
• 集索引:
  • 数据类型: int64
  • 形状: [1]
• 索引:
  • 数据类型: int64
  • 形状: [1]
• 任务索引:
  • 数据类型: int64
  • 形状: [1]

引用

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，record-test数据集依托LeRobot平台构建，采用Apache 2.0开源许可协议。该数据集通过so101_follower型机器人采集，包含2个完整任务片段，总计1030帧数据，以30帧每秒的速率记录。数据以分块形式存储于parquet文件中，每块容量为1000帧，确保了高效的数据管理与访问。

特点

该数据集融合多模态观测信息，涵盖六维关节角度动作指令、机器人状态向量及前端摄像头采集的480x640分辨率RGB图像序列。时间戳与帧索引精确对齐，支持时序分析；视频数据采用AV1编码压缩，兼顾质量与存储效率。其结构化特征设计为模仿学习与强化学习算法提供了丰富的输入输出对应关系。

使用方法

研究者可通过加载parquet文件获取帧级机器人状态、动作及图像观测，配合MP4视频文件进行可视化验证。数据集已预设训练划分（全部2个片段），适用于行为克隆、轨迹生成等任务。使用时应遵循特征字典中定义的维度规范，注意动作空间与状态空间均为六维浮点数组，图像数据需按视频解码流程处理。

背景与挑战

背景概述

机器人学习领域近年来对高质量示范数据的需求日益增长，record-test数据集应运而生。该数据集由HuggingFace的LeRobot项目团队创建，专注于机械臂控制任务的模仿学习研究。数据集采用Apache 2.0开源协议，记录了SO101型跟随机器人的多模态交互数据，包含关节位置状态、视觉观测和时间序列信息，为机器人策略学习提供了宝贵的真实世界交互样本。

当前挑战

该数据集致力于解决机器人视觉运动控制中的示范学习难题，其核心挑战在于高维连续动作空间与视觉感知的精确对齐。构建过程中面临多传感器时序同步、大规模视频数据压缩存储等技术瓶颈，同时需要确保机械臂运动轨迹的平滑性与任务执行的可靠性。数据采集还需克服现实环境中光照变化、遮挡干扰等不确定因素对视觉质量的影响。

常用场景

经典使用场景

在机器人学习领域，record-test数据集为模仿学习算法提供了高质量的示范数据。该数据集通过记录六自由度机械臂的关节位置状态和前端视觉观测，构建了完整的动作-状态-图像三元组序列，使得研究者能够基于人类演示数据训练端到端的策略网络，实现从视觉输入到关节控制的直接映射。

衍生相关工作

基于此类机器人示范数据集，研究社区衍生出众多经典工作。包括基于Transformer的多模态策略网络、分层强化学习框架以及视觉-动作联合嵌入模型。这些工作显著推动了端到端机器人学习的发展，为构建能够适应复杂环境的通用机器人系统奠定了重要基础。

数据集最近研究

最新研究方向

在机器人学习领域，record-test数据集作为LeRobot生态的重要组成部分，正推动模仿学习与视觉运动控制的前沿探索。该数据集通过多模态记录机制，精确捕捉机械臂关节状态与视觉观测的时序关联，为端到端策略学习提供高质量样本。当前研究聚焦于跨任务泛化能力的提升，结合自监督表征学习技术，从有限示教数据中提取可迁移的运动先验。随着具身智能研究热潮的兴起，此类结构化时序数据集成为仿真到实况迁移的关键桥梁，为机器人精细操作任务的样本效率与安全性研究奠定数据基础。