KuphDev/remove_green_duck_20260527_133445

该数据集是使用LeRobot创建的机器人数据集，专门用于机器人技术任务。数据集包含6个episodes，总计5354帧，帧率为30fps。数据特征包括动作（action）和观测状态（observation.state），其中动作和状态均由6个浮点数组成，分别对应肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪的位置。观测图像（observation.images.top）为视频格式，分辨率为720x1280，3通道（RGB），编码为h264，无深度信息。数据集还包括时间戳、帧索引、episode索引、索引和任务索引等元数据。机器人类型为so_follower，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。数据集仅包含训练集，覆盖所有episodes。This dataset is a robotics dataset created using LeRobot, designed for robotics tasks. It contains 6 episodes with a total of 5354 frames at a frame rate of 30fps. The features include action and observation.state, both consisting of 6 float values corresponding to positions of shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper. The observation images (observation.images.top) are in video format with a resolution of 720x1280, 3 channels (RGB), encoded as h264, and without depth information. The dataset also includes metadata such as timestamp, frame index, episode index, index, and task index. The robot type is so_follower, and data is stored in parquet files with a total data file size of 100MB and video file size of 200MB. The dataset includes only a training split, covering all episodes.

搜集汇总

数据集介绍

构建方式

本数据集旨在为机器人操作任务提供高质量的模仿学习训练样本，聚焦于移除绿色鸭子的操作场景。数据集依据LeRobot标准框架构建，包含6个完整演示片段（episode），共计5354帧时间步，数据以30帧每秒的采样频率记录。动作空间与观测状态均包含6维连续量，涵盖肩部旋转、肘部弯曲、腕部动作及夹爪位置等关节控制信号。视觉信息由顶部高清摄像头采集，分辨率为1280×720，采用H.264编码视频格式。数据以Parquet格式存储结构化特征，视频另存为MP4文件，并按照chunk机制进行分块管理，便于高效加载与分布式处理。

特点

该数据集的核心特点在于其高度结构化的多模态信息融合。每条样本同时包含动作指令、机器人关节状态、环境图像以及时间戳等元数据，为端到端的模仿学习算法提供对齐良好的输入输出对。数据集的单一任务设定使得样本内聚性高，便于算法聚焦于移除对象的精细操作能力测试。此外，数据集明确标注了机器人类型为so_follower，训练集与验证集切分清晰，支持标准的监督学习范式。视频与数值数据的分离存储策略，在保证高分辨率视觉信息的同时降低了内存占用，提升了训练效率。

使用方法

使用本数据集时，推荐依托LeRobot库进行加载与预处理，通过设置路径参数指向数据集根目录即可自动解析chunk与视频文件。研究者可将6个episode全部作为训练集，输入批量化后的观测状态与图像序列，配合对应的动作标签进行行为克隆或策略梯度类算法的训练。由于动作与状态空间的维度一致，便于设计基于残差或逆动力学模型的方法。数据集中索引与帧信息的保留，支持变长时间步长的序列建模，适合应用于基于Transformer的轨迹预测。同时，可视化工具可直接嵌入HuggingFace Space，方便对数据进行定性检查与结果验证。

背景与挑战

背景概述

在机器人学习领域，模仿学习与基于演示的自主操控技术日益成为研究热点，其核心在于利用高质量、多模态的数据集训练机器人理解复杂任务并生成精准动作序列。remove_green_duck_20260527_133445数据集正是在这一背景下诞生，由开发者KuphDev在LeRobot框架下创建，发布于2025年，专注于机器人操控任务。该数据集通过真实机器人平台采集，包含6个完整轮次、5354帧时序数据，以30帧/秒的频率记录6自由度的机械臂状态（包括肩关节、肘关节、腕关节及夹爪位置）以及一个720×1280像素的高清顶部相机视频流，总计约300MB。其核心研究问题聚焦于机器人如何在结构化场景中移除特定物体（如绿色鸭子），从而为基于视觉的机器人操控策略提供标准化训练与测试基准，对推动低成本、可复现的机器人学习研究具有重要价值。

当前挑战

该数据集所解决的领域挑战主要在于机器人精细操控任务中视觉与运动控制的深度融合：传统的端到端方法常因数据量不足或模态单一而难以泛化，而本数据集通过同步的高频关节状态与高分辨率视频，为模型学习从视觉输入到多维动作空间（6自由度）的直接映射提供了基础，但数据量仅6个轮次（5354帧）带来过拟合风险，且仅包含单一任务与单视角视角，限制了其在多样化环境与物体间的泛化能力。构建过程中亦面临显著难点：机器人数据采集需精确同步多种传感器（如编码器与摄像头），并在保持30帧/秒高频采样的同时确保动作标签与视觉帧的对齐精度，此外，数据集依赖LeRobot框架的标准化存储结构（如parquet与mp4分片文件），在从真实机器人平台迁移至仿真环境或跨机器人平台复用时，需解决数据格式兼容性与重采样问题，这对后续研究的可扩展性构成挑战。

常用场景

经典使用场景

在机器人学习领域，此数据集专为模仿学习与行为克隆任务而设计，记录了机械臂从初始状态移除绿色鸭子的完整操作轨迹。包含6自由度关节角度、末端执行器状态及高分辨率顶视视频流，支持端到端的策略学习，是训练机器人执行精细物体操纵任务的经典基准。

解决学术问题

该数据集解决了机器人操作中动作序列与视觉反馈对齐的学术难题，为研究多模态融合、时序依赖建模及低成本机器人数据采集提供了标准化样本。其贡献在于促进从演示到策略的泛化能力验证，推动了无模型控制与视觉运动策略在非结构化环境中的理论发展。

衍生相关工作

相关工作方面，该数据集启发了基于扩散模型的机器人轨迹生成研究，并与LeRobot框架结合催生了模块化策略蒸馏与跨任务迁移学习的经典工作。如利用该数据训练的全连接网络策略，被后续工作借鉴以验证低延迟推理与领域随机化增强的鲁棒性算法。