salmonHan/record-test_20260528_003445

该数据集使用LeRobot工具创建，专注于机器人控制任务，具体针对so_follower机器人类型。数据集包含1个完整的episode，总计1797帧，覆盖1个任务。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。特征包括动作数据（如肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置，均为浮点型）、观察状态（包括相同的关节位置和前端图像，图像分辨率为720x1280，3通道，视频编码为av1，帧率30fps）、时间戳、帧索引、episode索引、索引和任务索引。数据集用于机器人学习和控制研究，支持训练和验证。This dataset was created using the LeRobot tool and focuses on robotics control tasks, specifically for the so_follower robot type. It contains 1 complete episode with a total of 1797 frames, covering 1 task. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. Features include action data (such as shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions, all in float32), observation state (including the same joint positions and front images with a resolution of 720x1280, 3 channels, video codec av1, and 30fps frame rate), timestamp, frame index, episode index, index, and task index. The dataset is intended for robotics learning and control research, supporting training and validation.

搜集汇总

数据集介绍

构建方式

该数据集由LeRobot框架构建，专为机器人模仿学习与行为克隆任务设计。数据通过实际操控so_follower型机器人采集，包含一个完整演示片段，共计1797帧，以30帧/秒的速率记录。数据采用分块存储策略，每块含1000帧，原始数据以Parquet格式存储于data/目录，而视觉观测数据则以AV1编码的MP4视频文件保存于videos/目录，实现了结构化与高效压缩的双重优势。

特点

数据集的特点在于其多模态融合与精细化标注。每条记录同时包含6维关节动作指令、对应关节状态观测、720p高清前视摄像头影像、时间戳、帧索引及任务索引等字段。动作与状态空间涵盖六自由度机械臂的肩部、肘部、腕部及夹爪位置，维度统一为6，便于模型直接学习从观测到动作的映射。单片段1797帧的密集采样确保了动作序列的连续性与平滑性，适合时序模型训练。

使用方法

用户可通过HuggingFace的datasets库加载该数据集，或利用LeRobot提供的可视化界面在线预览。加载后，数据以字典形式返回，包含'action'、'observation.state'和'observation.images.front'等键。视频图像数据自动解码为张量，与状态和动作数据对齐。建议将训练集（全部1797帧）直接用于行为克隆模型的端到端训练，或提取视觉特征进行模仿学习。chunks_size设为1000，便于分块迭代处理大规模帧序列。

背景与挑战

背景概述

该数据集由salmonHan研究团队利用LeRobot框架创建，发布于2026年5月28日，专注于机器人操作任务中的模仿学习与动作预测研究。数据集核心研究问题在于如何通过高保真度的多模态观测数据（包括高清视觉图像与关节状态信息）训练机器人掌握精细化的跟随操作技能。基于Apache-2.0开源许可发布，该数据集提供了单一任务场景下的完整操作轨迹，包含1797帧、30帧每秒的高分辨率视频及六自由度机械臂状态-动作对，为机器人学习领域提供了标准化的基准资源。尽管当前规模有限，但其统一的元数据结构和LeRobot生态的兼容性，为后续构建更大规模、多任务的机器人操作数据集奠定了技术基础。

当前挑战

该数据集所解决的领域挑战是机器人操作中的示范学习数据稀缺与异构性难题——现有机器人数据集多缺乏统一的视觉-状态联合标注格式，难以直接迁移至不同硬件平台的任务学习。在构建过程中，首要挑战是确保20万像素高清视频（AV1编码）与六维关节状态数据在30Hz下的精准同步，任何时间错位都会导致动作策略学习失败。其次，单轨-单任务的设计虽降低了初期复杂度，但限制了模型泛化能力，如何从仅含1个episode、6个动作维度的数据中提取鲁棒的控制策略，成为算法验证的关键瓶颈。此外，数据存储格式需同时兼顾Parquet的结构化效率与视频流的高吞吐量需求，这对构建可扩展的机器人数据集框架提出了工程化挑战。

常用场景

经典使用场景

在机器人学习领域，该数据集以30Hz的高帧率记录了单次操作任务中六自由度机械臂（so_follower）的动作轨迹与视觉反馈，共包含1797帧时序数据。经典的使用场景是作为模仿学习的训练材料，研究者可基于经标注的关节位置动作（action）与对应观测（observation.state、observation.images.front）构建行为克隆或逆强化学习模型。其结构化parquet格式与分块视频存储设计，让模型能够高效地学习从视觉输入到精细操作指令的映射关系。

实际应用

在实际工业与医疗场景中，该数据集训练的模型可赋能协作机器人完成精密装配、柔性抓取或手术辅助等任务。例如，在家具螺丝旋紧操作中，机器人通过端到端的学习策略无需显式编程即可适应零件公差。其标准化数据格式有利于迁移至同构型机械臂平台，大幅降低了自动化产线的部署成本与技术门槛。

衍生相关工作

基于此类数据，衍生出了LeRobot开源生态中的多项代表性工作，包括高效率数据增强管线、适用于低样本量的预训练-微调框架，以及融合扩散模型的动态动作生成方法。研究者已构建出多模态对比学习预训练范式，结合时序卷积网络（TCN）与Transformer架构提升长程序列预测能力，形成了从数据采集到策略部署的完整基准流程。