g1_pour_can_left_hand

这是一个关于机器人学的数据集，具体包含了Unitree_G1_Dex3机器人的行为数据。数据集以Parquet文件格式存储，并且每个剧集都被分割成多个片段，每个片段包含1000帧。数据集特征包括机器人的关节角度、手部姿态以及多个摄像头的视频数据。

This is a robotics dataset specifically containing behavioral data of the Unitree_G1_Dex3 robot. The dataset is stored in Parquet file format, and each episode is split into multiple segments, with each segment containing 1000 frames. The dataset features include the robot's joint angles, hand poses, and video data from multiple cameras.

原始信息汇总

数据集概述

基本信息

• 名称: g1_pour_can_left_hand
• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot
• 代码库版本: v2.1
• 机器人类型: Unitree_G1_Dex3

数据集结构

• 数据文件格式: Parquet
• 数据路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4
• 帧率: 30 FPS
• 块大小: 1000

特征描述

• observation.state:
  • 数据类型: float32
  • 形状: [28]
  • 名称: 包含左右肩、肘、腕及手指的关节角度
• action:
  • 数据类型: float32
  • 形状: [28]
  • 名称: 与observation.state相同
• observation.images:
  • cam_left_high, cam_right_high, cam_left_wrist, cam_right_wrist:
    • 数据类型: video
    • 形状: [3, 480, 640]
    • 通道: RGB
• timestamp:
  • 数据类型: float32
  • 形状: [1]
• frame_index, episode_index, index, task_index:
  • 数据类型: int64
  • 形状: [1]

其他信息

• 主页: 未提供
• 论文: 未提供
• 引用: 未提供

搜集汇总

数据集介绍

构建方式

在机器人控制领域，精准的动作捕捉与数据记录对于算法训练至关重要。g1_pour_can_left_hand数据集依托LeRobot开源框架构建，采用Unitree_G1_Dex3型机器人执行左手倾倒罐体的动作序列。数据采集系统以30Hz频率同步记录28维关节状态向量、多视角RGB视频流（包括左右肩部及腕部摄像头），并通过parquet格式分块存储，确保时序数据与视觉信息的精确对齐。

特点

该数据集最显著的特点是实现了多模态机器人操作数据的结构化整合。28自由度机械臂的完整关节角度信息与四路高清视频流形成时空对齐，其中状态向量包含肩-肘-腕关节的六维姿态及手指关节细节。视频数据采用480×640分辨率的三通道格式，为模仿学习提供丰富的视觉上下文。数据分块存储策略（每块含1000帧）兼顾了存取效率与研究灵活性。

使用方法

研究者可通过解析parquet文件直接获取时间戳对齐的状态-动作对与视频帧序列，适用于行为克隆、强化学习等算法训练。多视角视觉数据支持跨模态表征学习，而精细的关节命名体系便于特定关节的运动学分析。建议结合LeRobot框架进行数据加载，利用其内置的episode索引系统实现高效的数据流处理。视频文件与状态数据的路径映射关系已通过meta/info.json明确定义。

背景与挑战

背景概述

g1_pour_can_left_hand数据集由LeRobot团队创建，专注于机器人操作任务的研究。该数据集旨在通过记录Unitree_G1_Dex3机器人在执行特定任务（如左手倾倒罐头）时的状态和动作数据，为机器人控制与学习提供高质量的训练资源。数据集包含多模态观测数据，如关节状态、手部动作以及多视角图像信息，为复杂机器人操作任务的算法开发与验证提供了重要支持。尽管数据集的具体创建时间和主要研究人员信息尚未公开，但其在机器人学习领域的应用潜力已引起广泛关注。

当前挑战

该数据集面临的主要挑战包括：1) 在机器人操作领域，精确模拟和复现人类动作的复杂性与多样性是一大难题，尤其是在多自由度机械臂和灵巧手的控制上；2) 数据采集过程中，如何确保多模态数据（如关节状态与视觉信息）的同步性与一致性，对数据质量提出了严格要求；3) 构建大规模、多样化的机器人操作数据集需要高昂的硬件成本和人力投入，限制了数据集的扩展性。这些挑战直接影响了数据集的广泛应用与算法泛化能力的提升。

常用场景

经典使用场景

在机器人控制领域，g1_pour_can_left_hand数据集为研究左手机械臂的精确控制提供了丰富的数据支持。该数据集记录了Unitree_G1_Dex3机器人在执行倒罐任务时的关节状态、动作指令以及多视角视频数据，为机器人运动规划和动作模仿学习提供了标准化的实验平台。研究者可通过分析28维关节状态空间与视觉感知的关联性，探索复杂操作任务中的运动控制策略。

解决学术问题

该数据集有效解决了仿人机器人精细操作中的两大核心问题：高维连续动作空间的表征学习，以及视觉-动作跨模态对齐。通过提供完整的关节角度时序数据和同步多视角视觉反馈，研究者能够深入分析机械臂运动学约束下的最优控制策略，并为模仿学习算法提供真实世界的动作示范样本，显著提升了机器人操作技能迁移研究的可重复性。

衍生相关工作

该数据集催生了多项机器人学习领域的重要研究，包括基于时空注意力机制的动作预测模型、多模态传感器融合的强化学习框架等。部分工作通过扩展数据集中的任务维度，开发了通用化机械臂控制策略。在LeRobot生态系统中，该数据集已成为评估模仿学习算法性能的标准基准之一。