salmonHan/record-test_20260528_005207

这是一个机器人学数据集，使用LeRobot创建。数据集包含一个完整的episode，总计1797帧，帧率为30fps。数据特征包括机器人的动作（如肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置，共6个浮点数值）、观察状态（与动作相同的6个关节位置）、前视图像（视频格式，分辨率为720x1280，3通道彩色图像），以及时间戳、帧索引、episode索引、索引和任务索引等元数据。数据集主要用于机器人控制、模仿学习或强化学习任务，涉及机器人手臂的关节位置控制和视觉感知。数据以Parquet文件格式存储，并包含对应的视频文件。This is a robotics dataset created using LeRobot. It contains one complete episode with a total of 1797 frames at 30 fps. The dataset features include robot actions (such as shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions, represented as 6 float32 values), observation states (same 6 joint positions as actions), front-view images (video format with resolution 720x1280 and 3 color channels), and metadata like timestamp, frame index, episode index, index, and task index. The dataset is primarily intended for robotics control, imitation learning, or reinforcement learning tasks, involving joint position control and visual perception for a robot arm. Data is stored in Parquet files and includes corresponding video files.

搜集汇总

数据集介绍

构建方式

该数据集名为record-test_20260528_005207，基于LeRobot框架构建，专注于机器人学习领域。数据采集源自一台so_follower型机器人，记录了一次完整的操作任务，共计包含1个episode、1797帧数据，以30帧每秒的采样频率捕获。数据集结构采用分块存储策略，将原始数据拆分为1000帧大小的chunk，并以Parquet格式保存动作和状态数据，同时将机器人前视摄像头采集的720×1280分辨率视频以AV1编码压缩为MP4文件，实现了高效的数据组织与存储。所有数据均遵循Apache-2.0许可证开放使用。

特点

该数据集的一个显著特点在于其简洁而完整的设计：仅包含1个任务和1个操作序列，却覆盖了机器人6自由度关节位置与夹爪位置的完整动作与状态信息。动作空间与观测状态空间维度一致，均为6维浮点向量，便于进行模仿学习中的状态-动作映射建模。视觉观测方面，数据集提供了高分辨率（720×1280）的彩色视频流，为视觉运动策略训练提供了丰富的纹理与空间细节。此外，数据集中包含精确的时间戳与帧索引，支持时序对齐与分段处理，适合用于机器人技能学习中的序列建模任务。

使用方法

用户可通过LeRobot框架提供的可视化工具（如Hugging Face Spaces上的专属界面）直观浏览数据集中的机器人操作视频与状态序列。在模型训练中，推荐使用LeRobot内置的数据加载模块，通过指定数据集名称与拆分策略（如训练集比例为0:1），高效读取Parquet格式的动作与状态数据及对应的视频帧。数据集的视频与特征数据以分块索引方式组织，用户可根据chunk索引与file索引灵活加载特定片段，适用于离线强化学习或行为克隆等算法的批量数据加载需求。

背景与挑战

背景概述

该数据集由salmonHan研究团队基于LeRobot框架创建，发布于2026年，聚焦于机器人操作领域的模仿学习研究。核心研究问题在于如何通过有限的高质量演示数据，使机器人掌握精细化的物体操控能力，数据集中包含一个完整轨迹的1797帧序列，记录了so_follower机械臂在6自由度动作空间下的运动状态与视觉反馈。其影响力体现在为小样本机器人学习提供了标准化的数据范例，并借助Apache-2.0开源协议促进了社区协作，成为验证轻量化算法、探索数据效率与泛化性能的重要基准。

当前挑战

当前数据集面临的核心挑战在于如何应对领域内数据稀缺性与多样性不足的矛盾。仅包含单任务单轨迹的配置，严重限制了模型对复杂环境的泛化能力，难以覆盖真实场景中的随机扰动与操作变体。构建过程中，高精度传感器同步、动作与视觉数据的时空对齐、以及有限样本下的过拟合风险构成了主要技术瓶颈。此外，6自由度连续动作空间与高维图像观测的耦合，对表示学习与因果推理算法的发展提出了迫切需求，亟需通过数据增强、域自适应或元学习策略来突破现有局限。

常用场景

经典使用场景

record-test_20260528_005207数据集立足于机器人操作领域，通过高保真的动作状态序列与多视角视觉观测数据，为模仿学习与示教学习算法提供了理想的训练样本。该数据集完整记录了一台so_follower机器人执行单一任务过程中的1797帧连续运动轨迹，涵盖六自由度关节位置命令及对应的高清视觉反馈，常被用于训练基于视觉-运动联合表征的端到端机器人操控模型。研究者可依赖其结构化parquet数据与同步视频流，构建从感知到执行的闭环策略网络。

解决学术问题

该数据集着力解决了机器人领域中长期存在的‘数据稀缺与异构性’问题，为从人类示教中高效提取通用技能提供了标准化基准。通过统一的LeRobot框架封装，它助力学术界在‘少样本模仿学习’、‘跨实体迁移’以及‘运动规划的泛化性’等关键难题上取得突破。其精细的时序动作标签与真实环境视觉信息，使得探索‘状态-动作’映射的因果机制成为可能，显著推动了机器人自主决策与灵巧操作理论的演进。

衍生相关工作

基于此数据集的结构化特征，研究者已衍生出多项高质量工作，包括开发基于扩散策略的机器人动作生成框架、设计用于多视角视觉预训练的对比学习范式，以及构建跨本体（异构机器人形态）的技能迁移学习基准。此外，该数据促进了LeRobot生态中数据增强策略的规范化，并催生了如‘轨迹一致性评估’和‘行为克隆鲁棒性分析’等代表性研究，这些工作在简化机器人编程复杂性的同时，不断拓展数据驱动操控的学术边界。