KS325/close-lower-drawer-r1_occ

该数据集由LeRobot创建，属于机器人领域。数据集包含20个训练片段(episodes)，共计17480帧数据，涉及1个机器人任务。数据特征包括：6维机械臂动作(肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置)、6维机械臂状态观测、两个480x640分辨率的RGB摄像头观测视频(30fps)，以及时间戳、帧索引、片段索引等元数据。数据存储格式为parquet和mp4视频文件，总数据量约300MB(视频200MB+数据100MB)。数据集采用Apache 2.0许可证。

This dataset was created by LeRobot in the robotics domain. It contains 20 training episodes with a total of 17,480 frames covering 1 robotic task. The features include: 6D robotic arm actions (shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), 6D robotic arm state observations, two 480x640 resolution RGB camera observation videos (30fps), as well as metadata like timestamps, frame indices, and episode indices. The data is stored in parquet and mp4 video formats, totaling approximately 300MB (200MB videos + 100MB data). The dataset uses Apache 2.0 license.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，旨在为机器人操作任务提供高质量的示教数据。数据通过操作者远程操控一台名为so_follower的机器人完成“关闭下层抽屉”这一具体任务，共计采集了20个完整演示片段（episode），累积帧数达到17480帧，数据以30帧/秒的稳定频率记录。数据集将原始信息存储为Parquet格式的数值文件与MP4格式的视频文件，其中视频来自两台视角不同的摄像机（camera1与camera2），分辨率均为480×640像素，采用AV1编码以平衡画质与存储效率。所有数据依据chunks_size=1000的规则进行切片，最终形成约100MB的数值数据和200MB的视频数据，便于分布式加载与高效处理。

使用方法

在LeRobot生态中，用户可通过其内置的数据集可视化工具直接查看本数据的演示视频与状态序列，直观理解任务执行过程。若需训练机器人策略，研究者可调用LeRobot的Dataset类加载Parquet文件与对应视频，并利用其提供的标准化接口提取action、observation.state以及observation.images等关键字段。数据集的训练配置已明确为0至20片段全覆盖，因此无需额外划分。需要注意的是，视频数据采用AV1编码，使用前应确保环境中安装了兼容的解码器。同时，由于机器人与任务高度特化，建议读者在复现或迁移学习时首先验证状态与动作空间的物理对应关系，以避免维度错配。

背景与挑战

背景概述

在机器人操作领域，学习从视觉观测到动作的映射是实现灵巧操控的关键挑战之一。close-lower-drawer-r1_occ数据集由KS325团队于近期创建，依托LeRobot框架构建，专注于机器人闭合下层抽屉这一精细操作任务。该数据集以so_follower机器人为平台，采集了20个完整操作轨迹，总计17480帧数据，包含高分辨率视觉图像与六维关节状态信息。其影响力在于为模仿学习与行为克隆提供了标准化基准，推动机器人操作从简单抓取向复合动作序列演进，助力人机协作场景中的技能迁移与泛化研究。

当前挑战

该数据集所解决的领域挑战在于实现闭合抽屉这类低空间、高精度的操作任务，要求机器人兼顾力觉与位姿控制，避免卡滞与碰撞。构建过程中，研究者需应对多模态数据的同步与对齐难题，包括30帧每秒的视频流与关节状态的高频采集；同时，仅20个演示片段构成的训练集对模型泛化性提出严峻考验，需在有限样本下捕捉操作的内在动力学特征。此外，视频编码采用AV1格式压缩，虽节省存储却可能引入视觉失真，对从像素到动作的端到端学习构成潜在干扰。

常用场景

经典使用场景

close-lower-drawer-r1_occ数据集是机器人操作领域中一个专注于精细抽屉闭合任务的经典数据集。它记录了由so_follower机器人在实际场景中执行下层抽屉关闭动作的完整操作序列，包含20段演示、超过17000帧的高频视觉与运动数据。该数据集最核心的应用在于支持模仿学习与行为克隆算法的研究与验证，研究者可以利用其中多视角摄像头捕获的RGB图像与六自由度关节状态信息，训练机器人模型从人类演示中学习精准的末端执行器控制策略。

解决学术问题

该数据集主要解决了机器人精细操作中接触性任务的学习难题，特别是涉及铰链机构与狭窄空间约束的抽屉闭合操作。在学术层面，它助力于攻克非刚体交互、力矩感知控制以及视觉-运动策略对齐等关键挑战。通过提供包含完备状态轨迹与高帧率视频的真实数据，该数据集促进了从示教中泛化操作技能的研究，推动了可泛化操作策略在物理交互中的鲁棒性提升，具有推进机器人自主操作前沿的重要学术价值。

实际应用

实际应用层面，该数据集直接服务于家庭服务机器人与工业自动化场景中的家具操作任务。基于此数据集训练的模型能够使机器人在厨房、办公环境或仓储设施中可靠地执行下层抽屉的关闭动作，应对不同材质、阻尼和初始位置的抽屉。此外，该数据产生于LeRobot生态体系，便于与其他机器人数据集整合，为开发通用操作技能库提供基础，从而加速服务型机器人在实际场景中的部署与商业化应用。

数据集最近研究

最新研究方向

在机器人操作领域，精细化的物体闭合与抽屉推拉动作始终是技能学习的关键挑战。该数据集聚焦于“关闭下层抽屉”这一具身智能任务，通过so_follower机器人平台采集了20个演示回合、近1.75万帧的高频运动与视觉数据，涵盖了肩部、腕部及夹爪的六自由度状态序列与双视角视频流。这一资源直接服务于模仿学习与行为克隆的前沿方向，特别是针对低层级操作策略的泛化与鲁棒性研究。近期，随着LeRobot框架在开源机器人学习社区中的广泛采用，此类标准化演示数据成为评估模型对复杂约束接触任务建模能力的重要基准。该数据集中所蕴含的力位混合控制线索，为探索基于视觉-运动联合表征的闭环控制算法提供了宝贵素材，其公开共享亦推动了可复现的机器人学习研究生态的构建。