salmonHan/record-test_20260528_002737

该数据集是一个用于机器人学任务的数据集，由LeRobot创建。数据集包含1个总集、1797个总帧和1个总任务，数据以parquet文件格式存储，总数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集中包含动作、观察状态、观察图像（来自前置摄像头，分辨率为720x1280）、时间戳、帧索引、集索引、索引和任务索引等特征。动作和观察状态均包括肩部旋转、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置等6个关节的位置信息。数据集采用Apache-2.0许可证，但主页和论文信息暂缺。This dataset is a robotics dataset created using LeRobot. It contains 1 total episode, 1797 total frames, and 1 total task, with data stored in parquet format. The total data file size is 100MB, video file size is 200MB, and the frame rate is 30fps. The dataset includes features such as action, observation state, observation images (from a front camera with 720x1280 resolution), timestamp, frame index, episode index, index, and task index. Both action and observation state consist of position information for 6 joints: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper. The dataset is licensed under Apache-2.0, but homepage and paper information are currently missing.

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研究设计。数据采集自so_follower型机器人，共包含1个轨迹片段，总帧数达1797帧，采样频率为30帧/秒。数据以Parquet格式存储关节状态与动作指令，共6维，涵盖肩部、肘部、腕部及夹爪的位置信息。同时，前视摄像头以1280×720分辨率、AV1编码记录视频流，图像数据与时间戳、帧索引等元信息协同组织，形成完整的机器人操作时序数据集。

特点

数据集结构紧凑且标准化，总数据规模约300MB，其中动作与状态序列压缩为100MB的Parquet文件，视频流占200MB。特征空间清晰划分：动作与状态均包含6个关节自由度，视频为三通道彩色图像。元数据如episode_index、task_index便于按需切分训练集，支持单任务场景下的高效重放。遵循LeRobot v3.0规范，数据分块存储（chunks_size=1000），兼顾加载效率与可扩展性。

使用方法

数据集可通过LeRobot库直接加载，使用`lerobot.Dataset.from_hub`接口指定仓库名称即可。用户可灵活访问动作、状态、图像及索引字段，支持按帧或按轨迹抽取样本。训练流程中，推荐将`observation.state`与`observation.images.front`作为观测输入，6维动作向量作为监督目标。数据集已预设训练集切分（train: 0:1），适用于基于视觉的机器人操作策略学习，如行为克隆或扩散策略等模仿学习方法。

背景与挑战

背景概述

该数据集由salmonHan团队基于LeRobot框架创建，生成于2026年5月28日，专注于机器人模仿学习领域。其核心研究问题在于通过记录真实机器人操作数据，为策略学习提供高保真的训练样本。数据集采用so_follower机器人平台，包含单个演示轨迹，涵盖1797帧图像与动作序列，以30帧/秒的采样率采集720p高清视觉数据。作为开源Apache-2.0许可的资源，该数据集为机器人行为克隆和视觉运动策略研究提供了可直接使用的基准，促进了从仿真环境到真实物理世界的迁移学习探索。

当前挑战

该数据集所解决的领域挑战在于为机器人精细操作任务提供高质量的示范数据，以弥补仿真数据与真实环境间的差距。构建过程中面临的主要挑战包括：1) 单条演示轨迹数据量有限，仅含1797帧，难以覆盖复杂任务的多样性，泛化能力受限；2) 动作空间为6维关节位置控制，需精确记录末端夹爪与多关节耦合运动，对传感器同步精度要求极高；3) 视频数据采用AV1编码，虽压缩率高，但解码计算开销大，影响训练效率；4) 单一机器人平台so_follower的数据难以直接迁移至其他形态的机器人，跨平台适配存在障碍。

常用场景

经典使用场景

在机器人学习领域，该数据集为模仿学习的训练与评估提供了标准化的数据支撑。其结构包含六维关节指令与大分辨率视觉观测，能够有效用于训练机械臂从视觉输入到动作输出的端到端策略。通过单任务的1797帧时序数据，研究者可聚焦于学习特定操作行为的运动规划与轨迹复现，是验证视觉运动策略基本性能的理想基准。

实际应用

在实际应用中，该数据集可服务于工业装配线上的机械臂演示编程，使机器人通过观看操作过程即可习得拧螺丝、搬运等动作序列。结合LeRobot生态，开发者能快速部署从数据收集到策略推理的闭环系统，降低自动化部署门槛。其在家庭服务机器人领域的应用前景同样广阔，可用于训练机器人完成开瓶、递物等日常任务。

衍生相关工作

以此数据集为基础，衍生出多项前沿工作。例如基于该数据格式的Transformer策略模型被广泛验证，推动了决策Transformer与扩散策略在机器人领域的落地。部分研究将其与虚拟环境结合，构建了仿真到真实的迁移框架。此外，该数据集还激发了数据增强与多视角融合算法的创新，为机器人操作策略的鲁棒性提升提供了重要实验平台。