widowxai-clear-table-test2

该数据集是使用LeRobot框架创建的机器人操控数据集，旨在为机器人学习任务提供训练和评估数据。数据集包含2个完整情节（episode），共2134帧，专注于单一任务。数据来源于一个名为widowxai_follower_robot的机器人平台，记录了机器人执行操作时的动作序列和观测信息。数据特征包括：动作（action）和机器人状态（observation.state），均为7维关节位置向量（joint_0.pos至joint_5.pos及left_carriage_joint.pos）；两个摄像头视角（手腕摄像头wrist和外部摄像头exterior）的RGB视频图像，分辨率为480x640，帧率30fps，采用AV1编码；此外还包含时间戳、帧索引、情节索引、任务索引等元数据。数据集总大小约100MB（数据文件）和200MB（视频文件），适用于机器人模仿学习、行为克隆、强化学习等任务，特别适合用于桌面清理等简单操作任务的研究。This dataset is a robot manipulation dataset created using the LeRobot framework, designed to provide training and evaluation data for robot learning tasks. It contains 2 complete episodes, totaling 2134 frames, focusing on a single task. The data originates from a robot platform named widowxai_follower_robot, recording action sequences and observation information during robot operation. Data features include: action and observation.state, both 7-dimensional joint position vectors (joint_0.pos to joint_5.pos and left_carriage_joint.pos); RGB video images from two camera perspectives (wrist camera and exterior camera), resolution 480x640, frame rate 30fps, encoded with AV1; additionally, metadata such as timestamps, frame indices, episode indices, and task indices are included. The total dataset size is approximately 100MB (data files) and 200MB (video files), suitable for robot imitation learning, behavior cloning, reinforcement learning, and other tasks, particularly for research on simple manipulation tasks such as desktop cleaning.

原始信息汇总

数据集概述

该数据集名为 widowxai-clear-table-test2，由 Guilhermefrazao 提供，是一个用于机器人学习（Robotics）领域的数据集，遵循 Apache-2.0 许可证。数据集通过 Hugging Face 的 LeRobot 框架创建。

基本信息

属性	值
首页	暂无信息
论文	暂无信息
许可证	Apache-2.0
任务类别	机器人学（Robotics）
标签	LeRobot
代码库版本	v3.0
机器人类型	widowxai_follower_robot

数据规模

指标	值
总片段数（Episodes）	2
总帧数（Frames）	2134
总任务数（Tasks）	1
数据文件大小	约100 MB
视频文件大小	约200 MB
帧率（FPS）	30

数据集划分

数据集包含一个训练集（train）划分，其范围为 0:2，即使用全部2个片段进行训练。

数据结构与特征

数据集中每个样本（帧）包含以下特征：

特征名称	数据类型	形状	说明
action	float32	[7]	7维关节位置指令，包含6个关节和1个滑动关节
observation.state	float32	[7]	7维关节位置观测，包含6个关节和1个滑动关节
observation.images.wrist	视频	[480, 640, 3]	腕部摄像头图像，分辨率480x640，AV1编码，30 FPS
observation.images.exterior	视频	[480, 640, 3]	外部摄像头图像，分辨率480x640，AV1编码，30 FPS
timestamp	float32	[1]	时间戳
frame_index	int64	[1]	帧索引
episode_index	int64	[1]	片段索引
index	int64	[1]	全局索引
task_index	int64	[1]	任务索引

动作和状态特征的具体名称包括：

• joint_0.pos 至 joint_5.pos：6个旋转关节的位置
• left_carriage_joint.pos：1个滑动关节的位置

视频特征规格如下：

• 分辨率：480 × 640 像素
• 编码：AV1
• 像素格式：yuv420p
• 通道数：3
• 帧率：30 FPS
• 音频：无

数据文件格式

• 数据路径：data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet（Parquet格式）
• 视频路径：videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4（MP4格式）
• 块大小（Chunk Size）：1000帧

引用信息

该数据集目前暂无 BibTeX 引用格式。用户可访问 Hugging Face 数据集页面或使用 LeRobot 的可视化工具（可视化数据集空间）查看具体数据内容。

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集对于训练稳健的操控策略至关重要。widowxai-clear-table-test2数据集依托于LeRobot框架构建，旨在捕获机械臂执行桌面清理任务的精细操作过程。其构建方式严谨，通过WidowX AI机器人上搭载的多个传感器，同步采集了关节角度、末端执行器状态以及来自腕部和外部视角的视觉信息，数据以30帧/秒的速率记录，并整合为结构化的Parquet文件与视频文件。该数据集包含两个完整的操作回合，共计2134帧，涵盖了单一清理任务的全过程，确保了数据在时序上的连续性与动作上的完整性。

特点

此数据集的特色在于其多模态与高保真的数据表征。每条数据样本不仅包含7维的关节位置指令，还同步记录了对应的观测状态，形成行动与感知的闭环。尤为突出的是，它提供了腕部与外部双视角的高分辨率（480x640）视觉流，采用先进的AV1编码，为细粒度动作分析提供了丰富信息。此外，数据组织秉承LeRobot规范，以分块形式存储元数据，便于高效加载与索引。2个episode的小规模设计，使其成为在资源受限条件下验证模仿学习算法的理想测试平台，兼具实用性与灵活性。

使用方法

该数据集设计用于机器人操控策略的离线训练与评估，尤其适配于模仿学习框架。使用者可借助LeRobot库直接加载数据，利用其提供的API读取图像序列、关节状态与动作标签，构建端到端的视觉-运动映射模型。数据划分明确，全部数据指定为训练集，可直接用于策略学习。凭借其Apache 2.0许可协议，研究者可自由地集成、修改并扩展该数据集，以促进桌面清理等任务在真实机器人上的泛化部署。使用过程中，需注意动作与观测的维度对应关系，以确保模型的输入输出空间正确对齐。

背景与挑战

背景概述

该数据集名为widowxai-clear-table-test2，由Guilhermefrazao于近期创建，基于Hugging Face的LeRobot框架生成，旨在支持机器人学习领域的研究。数据集聚焦于桌面清理任务，通过WidowX AI机器人采集了2个演示片段，共计2134帧，包含7个关节的位置信息和手腕与外部相机的高清视觉流，以30帧/秒的速率记录，数据以Apache 2.0许可证发布。该数据集为推动基于模仿学习的机器人操作研究提供了标准化的数据格式和可视化工具，对家庭服务机器人、自动整理等应用具有潜在影响力。

当前挑战

数据集面临的核心挑战包括：其一，领域内任务的高维连续控制问题，桌面清理要求机器人精准协调多关节动作与视觉感知，泛化能力不足；其二，构建过程中数据规模有限，仅2个演示片段，难以覆盖任务的多样性，可能限制模型学习效果；其三，数据获取依赖人工遥操作，成本高且难以扩展，同时相机视角、光照条件等环境因素的差异会影响数据质量。此外，传感器融合与同步的复杂性，以及不同机器人平台间的迁移问题，也是该数据集当前亟待解决的挑战。

常用场景

经典使用场景

在机器人学习与操作领域，该数据集聚焦于桌面清理任务，为机械臂的示教学习提供了宝贵的训练样本。其经典使用场景是借助模仿学习框架，如LeRobot，利用包含关节位置与视觉观测（腕部及外部摄像头）的时序数据，训练策略网络以复现清理动作。研究者常通过此数据集验证视觉-运动控制策略在真实物理环境中的可行性与鲁棒性，作为基准测试平台，推动从感知到动作映射的端到端学习方法的迭代与优化。

实际应用

在实际应用层面，该数据集可服务于家庭服务机器人、工业生产辅助设备及办公场所自动化清理等场景。训练后的策略模型能指导机器人自主识别桌面上的散落物品并执行有序清理，从而提升工作效率与生活便利性。其在低算力嵌入式设备上的适配潜力，也为边缘智能硬件提供了轻量级解决方案，推动了机器人技术在日常生活与服务业中的落地普及。

衍生相关工作

该数据集衍生出了一系列相关研究，包括基于视觉语言模型的任务语义解析、跨场景的域自适应迁移学习，以及安全可控的机器人操作策略优化。基于此数据集的预训练与后续微调范式，催生了新一代机器人基础模型的探索，并带动了数据高效学习技术（如数据增强、观察空间扰动）的发展。其开放的接口与格式，亦为多机器人协同学习与共享经验池构建提供了基准，成为连接感知、控制与环境交互的桥梁性资源。