KS325/close-lower-drawer-r1_occ_train

该数据集由LeRobot创建，主要用于机器人研究领域。包含14个训练片段，总计12379帧数据，涉及1个任务。数据集包含机器人动作状态信息（6个关节位置）、两个摄像头拍摄的视频数据（分辨率480x640，帧率30fps）以及时间戳、帧索引等元数据。视频数据采用av1编码，yuv420p像素格式。数据以parquet格式存储，总数据量约300MB（视频200MB，数据文件100MB）。

This dataset was created by LeRobot for robotics research. It contains 14 training episodes with a total of 12,379 frames covering 1 task. The dataset includes robot action states (6 joint positions), video data from two cameras (resolution 480x640, 30fps), as well as metadata such as timestamps and frame indices. The video data uses av1 codec with yuv420p pixel format. Data is stored in parquet format with a total size of approximately 300MB (200MB for videos and 100MB for data files).

搜集汇总

数据集介绍

构建方式

本数据集依托LeRobot机器人学框架构建，专注于机器人操作任务的模仿学习。数据集通过遥操作方式采集，由操作员远程操控一款名为so_follower的六自由度机械臂，完成关闭下方抽屉这一单一动作。采集过程以30帧每秒的频率记录，共计14个完整操作回合，累积12379帧时序数据。每帧数据以Parquet格式高效存储，包含六维关节空间的动作指令与状态观测（肩部旋转、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转及夹爪位置），以及两路640×480像素的RGB视觉观测（camera1与camera2），视频采用AV1编码压缩。整个数据集约耗用300MB存储空间（100MB数据文件与200MB视频文件），并依据LeRobot的v3.0规范组织分块存储。

使用方法

用户可通过LeRobot库便捷加载本数据集。利用其内置的数据集加载器，指定路径为KS325/close-lower-drawer-r1_occ_train，即可自动解析Parquet文件中的动作、状态与图像帧。推荐将数据划分为训练集（全部14个回合）进行策略学习。典型的应用流程包括：首先通过LeRobot的Dataset类解析动作序列与观测张量，然后构建基于行为克隆或扩散策略的模仿学习模型。由于数据已按LeRobot v3.0规范组织，用户可直接调用其数据迭代器进行批次采样，亦可在HuggingFace Spaces的在线可视化工具中预览轨迹，便于调试与展示。

背景与挑战

背景概述

在机器人学习领域，模仿学习与示教学习已成为驱动机械臂精细操作能力提升的关键范式。该数据集由KS325机构于近期基于LeRobot开源框架创建，聚焦于“关闭下层抽屉”这一基础但具有代表性的家居操作任务。核心研究问题在于如何通过有限的示教数据，使六自由度跟随式机器人（so_follower）习得稳定、可迁移的闭合抽屉动作策略。数据集包含14个完整回合、逾1.2万帧的高频（30fps）多模态记录，涵盖关节角度状态与双目视觉信息，为机器人操作策略的离线训练与评估提供了标准化参考。凭借其简洁的单一任务设计和开源Apache-2.0许可，该数据集有望促进模仿学习算法在小样本、高精度操作场景下的验证与迭代。

当前挑战

该数据集所解决的领域问题在于，机器人精细操作任务通常面临高维状态空间与复杂接触动力学的双重挑战，尤其是抽屉关闭这类需要精确力位混合控制的任务。构建过程中，数据集面临的核心挑战包括：如何在仅14段示教数据的情况下保证策略的泛化能力，避免过拟合于特定初始条件；如何协调6自由度机械臂的关节空间与笛卡尔空间映射，以生成平滑且安全的闭合轨迹；以及如何有效融合同步采集的双目视觉线索与本体感知信号，解决观测噪声与部分遮挡带来的感知歧义问题。此外，数据容量较小（100MB）和视频编码采用AV1格式，也对高效训练与实时推理提出了额外的优化要求。

常用场景

经典使用场景

在机器人操作领域，close-lower-drawer-r1_occ_train数据集为模仿学习与行为克隆提供了高质量的多模态训练样本。该数据集收录了14个完整操作回合、逾一万二千帧时序数据，涵盖六自由度关节状态序列与两路视觉观测记录，专为训练机器人执行“关闭下层抽屉”这一精细操作任务而设计。借助LeRobot框架的标准格式，研究人员可便捷地将此数据集应用于端到端策略模型的训练与评估，探索基于视觉与状态信息的精准操纵策略。

解决学术问题

该数据集致力于解决机器人精细操作中诸如抽屉关闭这类约束性强、重复性高的任务泛化难题。通过提供高质量的关节状态与视觉数据对，它推动了隐式策略学习与动作空间建模的研究，加深了复杂环境中行为克隆算法的鲁棒性理解。该数据集的公开对于验证最新离线强化学习与模仿学习方法的有效性具有重要学术意义，尤其在多模态融合与技能迁移等前沿课题中提供了宝贵的基准资源。

实际应用

在实际场景中，该数据集可支撑家庭服务机器人完成储物柜或抽屉的自动化关闭操作，提升日常交互的便利性与安全性。工业制造领域亦可借鉴此类数据，赋予机械臂在可变照明与物体布局下可靠执行闭合动作的能力。该数据集的紧凑结构还能高效适配移动机械臂或低成本机器人平台，为智能仓储、无障碍辅助设备等现实部署环节提供可迁移的操作知识。

数据集最近研究

最新研究方向

该数据集聚焦于机器人灵巧操作中的精细抽屉闭合任务，借助LeRobot框架和SO-Follower机器人平台，为模仿学习与行为克隆提供高保真多模态数据。前沿方向涵盖基于视觉与状态观测的机器人技能泛化、端到端神经策略在封闭环境中的迁移能力，以及低频高帧率（30fps）下动作序列的时序建模。该数据集的出现响应了工业与家庭场景中对于柔性、可复现操作基准的迫切需求，通过记录6自由度关节位姿与双目视觉流，为研究闭环控制中的状态对齐、异常检测及长时程任务分解奠定了结构化实验基础。