salmonHan/record-test_20260528_002433

该数据集是使用LeRobot创建的机器人学数据集，专门用于机器人控制和学习任务。数据集包含1个episode、1797个frames和1个task，数据以parquet格式存储，视频以mp4格式存储。特征包括动作（action，包含6个关节位置：shoulder_pan.pos、shoulder_lift.pos、elbow_flex.pos、wrist_flex.pos、wrist_roll.pos、gripper.pos）、观察状态（observation.state，结构与动作相同）、前视图像（observation.images.front，视频分辨率为720x1280，fps为30，RGB通道）、时间戳（timestamp）、帧索引（frame_index）、episode索引（episode_index）、索引（index）和任务索引（task_index）。机器人类型为“so_follower”，总数据文件大小为100MB，视频文件大小为200MB。数据集适用于机器人运动控制和视觉感知研究。This dataset is a robotics dataset created using LeRobot, designed for robot control and learning tasks. It contains 1 episode, 1797 frames, and 1 task, with data stored in parquet format and videos in mp4 format. Features include action (with 6 joint positions: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos), observation.state (same structure as action), front observation images (observation.images.front, video resolution 720x1280, fps 30, RGB channels), timestamp, frame_index, episode_index, index, and task_index. The robot type is so_follower, total data file size is 100MB, and video file size is 200MB. The dataset is suitable for robot motion control and visual perception research.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专为机器人模仿学习设计。数据集通过远程操控so_follower机器人采集单一任务的操作轨迹，共包含1个完整回合（episode），时长约60秒，以30帧/秒的频率记录，总计1797帧。数据以parquet格式存储结构化信息，前端摄像头视频以AV1编码的MP4格式保存，分辨率为1280×720。整体结构分为数据文件和视频文件，采用分块存储策略，每个块容量为1000帧，确保高效访问。

特点

数据集具有显著的专业性和一致性特征。所有数据源自同一机器人类型与单一任务，避免了多源异构带来的噪声。特征空间包含6维关节角度动作与状态观测，涵盖肩部、肘部、腕部及夹爪等关键自由度。视觉观测提供高帧率彩色图像，便于提取空间特征。此外，时间戳、帧索引、回合索引等辅助信息为时序建模与时序对齐提供了精细支持。

使用方法

使用该数据集时，可借助LeRobot库中的可视化工具在线浏览轨迹，便于直观评估数据质量。在模型训练中，研究者可直接加载parquet格式的结构化数据，将动作序列与状态观测对齐，用于行为克隆、逆强化学习等范式。视频数据可结合卷积神经网络提取视觉特征，与关节角度状态融合作为输入。数据集默认按8:2比例划分训练与验证集，便于快速启动实验流程。

背景与挑战

背景概述

该数据集由salmonHan基于LeRobot框架创建，发布于2026年5月28日，专注于机器人操作技能的模仿学习。数据集采用Apache-2.0许可协议，记录了一台so_follower型机器人完成单次任务的完整轨迹，包含1797帧、30帧/秒的高频观测数据。核心研究问题在于通过六自由度关节状态与视觉图像的联合记录，为机器人从人类演示中学习精细操作提供标准化训练样本。作为LeRobot生态中的协作性数据集，其小规模、高分辨率的特性适用于验证模仿学习算法在有限样本下的泛化能力，对推动低成本机器人学习基准的构建具有启发性价值。

当前挑战

该数据集面临的领域挑战在于机器人模仿学习中的少样本泛化与动作精度控制，仅包含单条演示轨迹，模型需从稀疏的序列数据中提取可迁移的操作策略，避免过拟合至特定环境。构建过程中，数据采集依赖so_follower机械臂的实时运动控制与同步视频录制，需确保关节角度与视觉观测在30帧/秒下的严格对齐，同时平衡视频文件（200 MB）与Parquet结构化数据（100 MB）的存储效率。此外，单任务、单示教的设定限制了数据多样性，增加了对数据增强策略与仿真环境迁移的依赖，以应对真实部署中的视觉与动力学变化。

常用场景

经典使用场景

在机器人学习领域，经典使用场景聚焦于模仿学习与行为克隆。该数据集记录了so_follower机器人在单任务下的完整操作序列，包含1797帧高精度运动数据，涵盖6自由度关节位置与前端视觉图像。研究者可借此训练端到端策略网络，通过观测状态与动作序列的配对学习，使机器人复现特定操作行为。

实际应用

实际应用层面，该数据可赋能工业生产中的精密装配、医疗手术的辅助操作以及服务机器人的日常任务执行。例如，在电子元件焊接或试管分拣场景中，机器人可借助示教数据快速习得精准的运动轨迹与抓取策略，从而替代人工完成重复性、高精度作业，提升自动化系统的灵活性与可靠性。

衍生相关工作

在此基础上衍生的经典工作包括基于扩散策略的机器人动作生成模型、视觉-运动联合表征学习框架以及跨形态机器人的迁移学习方法。这些工作利用该数据集的结构化特性，探索了从演示数据到鲁棒策略的映射规律，推动了LeRobot社区在端到端模仿学习、数据增强及域自适应等方向的创新突破。