record-test-3

该数据集由LeRobot项目创建，属于机器人学领域，采用Apache-2.0许可证。它包含机器人控制相关的演示数据，针对so_follower机器人类型，规模为20个完整episodes，共8978帧数据，涵盖1个任务。数据以分块形式存储，包括结构化数据文件（parquet格式，约100MB）和视频文件（mp4格式，约200MB，帧率30fps）。数据字段包括：动作空间（6维浮点向量，表示机器人六个关节的位置）、观测状态（6维浮点向量，与动作空间对应）、前视相机图像观测（480x640分辨率RGB视频），以及时间戳、帧索引、episode索引、全局索引和任务索引等元数据。数据集仅提供训练集划分（全部20个episodes），适用于机器人模仿学习、行为克隆、离线强化学习等任务。

This dataset is created by the LeRobot project, belonging to the field of robotics and licensed under Apache-2.0. It contains demonstration data related to robot control, specifically for the so_follower robot type. The dataset includes 20 complete episodes, totaling 8978 frames of data, covering 1 task. It is stored in chunked form, comprising structured data files (parquet format, approximately 100MB) and video files (mp4 format, approximately 200MB, with a frame rate of 30fps). Data fields include: action space (a 6-dimensional floating-point vector representing the positions of six robot joints: shoulder translation, shoulder lift, elbow bend, wrist bend, wrist rotation, and gripper position); observation state (a 6-dimensional floating-point vector corresponding to the joint positions in the action space); front camera image observation (480x640 resolution RGB video); as well as metadata such as timestamps, frame index, episode index, global index, and task index. The dataset only provides a training set split (all 20 episodes) and is suitable for tasks like robot imitation learning, behavior cloning, and offline reinforcement learning.

原始信息汇总

数据集概述

• 数据集名称: record-test-3
• 许可证: Apache-2.0
• 任务类别: 机器人 (robotics)
• 标签: LeRobot

数据集详情

• 机器人类型: so_follower
• 总片段数 (episodes): 20
• 总帧数 (frames): 8978
• 总任务数 (tasks): 1
• 帧率 (fps): 30
• 数据文件大小: 100 MB
• 视频文件大小: 200 MB
• 数据集划分: 训练集 (train) 包含全部20个片段 (0-20索引)

数据结构

数据集包含以下特征字段：

• action (动作):

  • 数据类型: float32
  • 维度: 6
  • 包含关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• observation.state (观测状态):

  • 数据类型: float32
  • 维度: 6
  • 包含关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• observation.images.front (前视图像):

  • 数据类型: 视频 (video)
  • 分辨率: 480x640，3通道
  • 编码格式: av1，yuv420p
  • 帧率: 30 fps
  • 非深度图，无音频

• timestamp (时间戳): float32，标量

• frame_index (帧索引): int64，标量

• episode_index (片段索引): int64，标量

• index (索引): int64，标量

• task_index (任务索引): int64，标量

数据存储格式

• 数据文件路径: data/*/*.parquet (按块和文件索引组织)
• 视频文件路径: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

其他信息

• 代码库版本: v3.0
• 数据块大小: 1000
• 引用信息: 暂无格式引用内容

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，源自对so_follower型机器人的真实操控数据采集。共计包含20个独立操作回合（episodes），累计8978帧数据帧，覆盖单一操作任务。数据存储采用Parquet格式，按每1000帧分块（chunks）组织，同时将视频文件单独存放于videos目录，以MP4格式保存。数据集已按训练需求划分，全部20个回合均归入训练集（train）。

使用方法

该数据集专为模仿学习或强化学习研究设计，使用者可借助LeRobot库直接加载数据。通过指定配置为‘default’，系统将自动扫描data目录下所有Parquet分块文件，并按特征定义解析动作、状态与图像序列。建议利用LeRobot内置的DataLoader模块，批量读取并组织成回合级别的训练样本，亦可结合视频流进行视觉-运动联合建模。训练前需确保环境中已安装LeRobot及相关视频编解码依赖（如AV1支持）。

背景与挑战

背景概述

record-test-3数据集由研究机构借助LeRobot框架创建，专注于机器人模仿学习领域，旨在为机械臂操作任务提供标准化训练数据。该数据集于2024年发布，包含20个演示回合、近9000帧图像与状态动作序列，采用so_follower机器人平台采集，覆盖6自由度关节位置与夹爪控制信号。其设计强调多模态信息融合，同步记录640×480分辨率的前视视觉观测与机器人本体状态，填补了低成本、高频率（30Hz）机械臂操作数据集的空白。作为开源基准，该数据集推动了模仿学习算法在精细操作任务中的泛化能力验证，对机器人技能学习研究与LeRobot生态发展具有基础性价值。

当前挑战

数据集面临的核心挑战在于解决机器人领域数据获取成本高与泛化能力弱的矛盾。具体而言，如何从少量（20回合）演示中高效提取可复用的操作策略，对抗小样本条件下的过拟合风险，是算法需要突破的瓶颈。构建过程中，采集设备so_follower的关节角度标定精度与视觉传感器同步一致性直接影响数据质量，而视频文件采用AV1编码虽压缩效率高，却可能引入解码延迟或画质损失。此外，单任务（total_tasks=1）配置限制了模型在多场景迁移时的鲁棒性，需通过任务扩展与数据增强来应对现实环境中物体属性与布局的动态变化。

常用场景

经典使用场景

record-test-3数据集是机器人学习领域中一个精心构建的仿真与实体操控基准，专为基于视觉与状态信息的机械臂精细操作任务而设计。该数据集收录了20个完整轨迹片段，总帧数达8978帧，以30帧每秒的采样频率记录了“so_follower”机械臂在6维动作空间（涵盖肩关节、肘关节、腕关节及夹爪）下的运动序列。每帧数据均包含高精度浮点型关节状态与动作指令，以及480×640像素的前置摄像头视频流，为模仿学习、逆强化学习以及基于模型的强化学习算法提供了标准化的训练与评估载体。研究者可将其用于验证从观测到动作的端到端映射能力，尤其适用于需要结合视觉与本体感知的复杂操作策略学习场景。

解决学术问题

该数据集有效回应了机器人操作学习中数据稀缺性与标准化不足的学术困境。传统机器人数据集往往局限于仿真环境或缺乏细粒度的多模态对齐，而record-test-3通过统一存储动作、状态与高帧率视频，使得研究者能够深入探究视觉-运动耦合机制，解决“如何将高维视觉输入鲁棒地映射到低维关节控制信号”这一核心问题。其公开的Apache-2.0许可协议鼓励可重复研究，提升了不同算法间对比的公平性。这一工作降低了机器人模仿学习领域的入门门槛，推动了从行为克隆到隐式策略泛化等前沿方向的量化评估，对于理解机器人技能习得的泛化边界与数据效率影响深远。

实际应用

在实际工业与服务业场景中，record-test-3所代表的数据范式具有直接的应用价值。机械臂的精准夹取与装配任务往往需要事先收集大量示教数据，而该数据集的结构化格式（包含时间戳、帧索引与多模态传感器数据）可直接用于训练视觉伺服控制器，实现从示范轨迹到自主执行的迁移。例如，在电子元件装配或仓储分拣场景中，经由该数据集训练的模型能够学习到特定姿态下的抗扰动握持策略，并通过前置视觉输入动态调整关节角度。此外，其数据采集流程基于LeRobot框架，具备良好的扩展性，可快速适配不同机械臂型号，加速从实验室原型到产线部署的转化进程。

数据集最近研究

最新研究方向

在机器人学习领域，record-test-3数据集通过LeRobot框架构建，聚焦于基于视觉与状态反馈的机械臂操控任务，其前沿研究方向集中在模仿学习与强化学习的交叉融合。该数据集记录了20个完整回合的so_follower机器人运动数据，包含近9000帧的高频（30FPS）图像与6维关节动作序列，为研究从像素到动作的直接映射提供了高质量样本。当前热点事件包括利用此类精细化数据集训练通用机器人基础模型，推动少样本适应与跨任务泛化能力的突破。其意义在于加速具身智能从实验室原型向真实场景部署的进程，特别是在精细操作任务中，为机器人学习领域提供了兼具规范性与扩展性的基准资源。