CoRL2026-CSI/UR7e_Ours_Distribute_Choco_25epi

该数据集是一个机器人控制数据集，使用LeRobot工具创建，专门针对UR7e机器人。数据集包含25个训练集，总计10563帧数据，帧率为10fps。数据以parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB。数据集的特征包括机器人状态观察（如关节位置）、动作控制、来自顶部和腕部摄像头的图像观察、技能类型、技能进度、目标位置（关节和世界坐标系）、自然语言指令以及时间戳和索引信息。这些数据用于机器人学习任务，如控制策略训练。This dataset is a robotics control dataset created using the LeRobot tool, specifically for the UR7e robot. It contains 25 training episodes with a total of 10,563 frames at a frame rate of 10fps. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. The dataset features include robot state observations (e.g., joint positions), action controls, image observations from top and wrist cameras, skill types, skill progress, goal positions (in joint and world coordinates), natural language instructions, as well as timestamps and indices. This data is intended for robotics learning tasks such as control policy training.

搜集汇总

数据集介绍

构建方式

该数据集依托LeRobot框架采集，聚焦于UR7e机械臂在分发巧克力场景下的操作任务。通过25个完整演示回合，记录了机械臂从初始状态到任务完成的全部过程。数据以Parquet格式存储，每1000帧为一个数据块，共10563帧，平均帧率为10Hz。同时，视频数据采用H.264编码，分别从顶部与腕部两个视角捕捉操作画面，分辨率为480×640。

特点

数据集的核心特点在于其丰富的感知与控制信息。观测空间包含7维关节位置与6维末端执行器位姿，并配有二值化夹爪状态。动作空间与观测状态对齐，便于实现模仿学习。此外，数据集中标注了技能类型、语言描述、目标位置及进度信息，为多模态任务学习与技能分解提供了结构化支持。

使用方法

使用时，可通过LeRobot库加载数据集，支持按回合索引访问连续帧序列。数据分为训练集（0至24回合），适用于训练策略网络或评估模仿学习算法。推荐以观测图像与状态为输入，以动作为预测目标，进行端到端行为克隆训练。视频与数值数据均按块索引排列，便于分批次读取与内存管理。

背景与挑战

背景概述

UR7e_Ours_Distribute_Choco_25epi数据集由CoRL2026-CSI团队创建，依托于LeRobot框架构建，于近年发布以支持机器人操作任务的研究。该数据集聚焦于UR7e机械臂在巧克力分发任务中的精细操控，通过25个演示片段、共计10563帧数据，记录了关节状态、末端执行器位姿、多视角视觉信息及任务语言描述等丰富模态。其核心研究问题在于推动机器人从人类演示中学习灵巧操作技能，尤其在非结构化环境下的任务泛化能力。作为面向机器人模仿学习与技能迁移的基准资源，该数据集为具身智能领域提供了高保真的多模态训练样本，对提升机器人自主作业水平具有重要参考价值。

当前挑战

该数据集所应对的领域挑战在于解决机器人从示范中学习精细操作任务的泛化难题，特别是巧克力分发这类涉及小物体抓取、姿态调整与精确放置的序列化动作，要求模型具备对视觉反馈与运动控制实时耦合的能力。构建过程中面临的挑战包括：通过遥操作采集25个高质量演示片段时，需保证动作一致性与轨迹平滑性，以克服机械臂运动噪声和视觉遮挡带来的数据污染；同时，多模态数据（图像、关节状态、语言指令）的时间同步与空间对齐，对传感器标定与数据融合提出了严苛要求。

常用场景

经典使用场景

在机器人操作与模仿学习领域，UR7e_Ours_Distribute_Choco_25epi数据集作为一项精密的专家示范轨迹资源，其经典使用场景聚焦于基于视觉和状态反馈的精细灵巧操作任务。该数据集记录了UR7e机械臂在25个回合中，通过自上而下与腕部双视角摄像头，完成巧克力分发这一典型物品操控过程。研究者可借助其中包含的关节角度、末端执行器位姿、夹爪状态及技能进度标签，训练机器人从观察中学习精准的动作映射，尤其适用于开发高鲁棒性的复合行为策略。该数据集的紧凑设计——涵盖7维状态空间与动作空间——使其成为验证模仿学习模型在小样本复杂操作任务中泛化能力的理想基准。

解决学术问题

此数据集有效回应了机器人学习领域中一个核心挑战：如何在有限的专家演示数据条件下，让机械臂习得可复现、且具有环境适应性的操作技能。传统方法往往依赖大量人工预设的规则或昂贵的真实世界数据采集，而UR7e_Ours_Distribute_Choco_25epi通过提供结构化的多模态观测（视觉、关节状态、技能目标）与对应的动作序列，为研究从演示中抽取任务本质特征提供了数据基础。它推动了动态动作分块、隐式策略蒸馏等技术在接触性物体操纵任务上的应用，其意义在于降低了机器人技能获取的数据门槛，为构建更具通用性的操作智能系统铺平了道路。

衍生相关工作

该数据集衍生出的相关经典工作主要集中在模仿学习算法的改进与泛化研究上。依托其清晰的任务结构与多模态记录方式，研究人员已探索了诸如扩散策略（Diffusion Policy）、动作分块变换器（Action Chunking Transformer）等前沿模型在该数据集上的训练效果与迁移特性。这些工作将机械臂单一步态数据与高级语义目标（如技能自然语言描述、世界坐标系下目标位姿）相结合，推动了从“演示-复现”到“技能理解与重组”的范式跃迁。同时，该数据集作为机器人操作公开基准之一，常被用于对比不同循环神经网络结构、视觉编码器在闭环控制中的表现，从而加速了更稳健的端到端机器人学习架构的迭代进化。