eval_act_so101_test26-6

这是一个使用LeRobot工具创建的机器人数据集，包含5个剧集，375帧，共1个任务。数据集采用Apache-2.0许可，数据以Parquet格式存储，视频为AV1编码的MP4格式。数据集包括机器人关节角度、状态、顶部和手腕处的图像信息等特征。训练集占整个数据集。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 机器人技术
• 标签: LeRobot
• 代码库版本: v3.0

数据集规模

• 总任务数: 1
• 总回合数: 5
• 总帧数: 375
• 数据文件大小: 100 MB
• 视频文件大小: 500 MB
• 帧率: 5 FPS

数据结构

数据配置

• 配置名称: default
• 数据文件路径: data//.parquet
• 数据存储格式: parquet
• 分块大小: 1000

特征字段

• 动作特征

  • 数据类型: float32
  • 维度: [6]
  • 关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• 状态观测

  • 数据类型: float32
  • 维度: [6]
  • 关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• 图像观测

  • 顶部摄像头
    • 数据类型: video
    • 分辨率: 480×640×3
    • 视频编码: av1
    • 像素格式: yuv420p
    • 非深度图
    • 无音频
  • 腕部摄像头
    • 数据类型: video
    • 分辨率: 480×640×3
    • 视频编码: av1
    • 像素格式: yuv420p
    • 非深度图
    • 无音频

• 索引信息

  • 时间戳: float32[1]
  • 帧索引: int64[1]
  • 回合索引: int64[1]
  • 数据索引: int64[1]
  • 任务索引: int64[1]

数据划分

• 训练集: 全部5个回合

机器人类型

• 机器人型号: so101_follower

文件路径格式

• 数据文件: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

搜集汇总

数据集介绍

构建方式

在机器人技术领域，eval_act_so101_test26-6数据集通过LeRobot平台构建，采用结构化数据采集方法。该数据集包含5个完整任务片段，总计375帧数据，以5fps的帧率记录机器人动作和观察状态。数据以分块Parquet文件存储，每个文件大小控制在1000条记录以内，确保高效处理与存储管理。

特点

该数据集以SO101型跟随机器人为核心，具备多模态特征，包括6维关节位置的动作和状态数据，以及来自顶部和腕部摄像头的视觉信息。图像分辨率为480x640，采用AV1编码，提供丰富的环境感知能力。数据集结构紧凑，总数据量约100MB，视频文件达500MB，支持机器人控制与视觉任务的集成研究。

使用方法

使用者可通过加载Parquet格式的数据文件，访问机器人的动作指令、关节状态和同步视觉帧。数据集已预分割为训练集，涵盖全部5个任务片段，适用于机器人策略学习、行为克隆等任务。视频数据可通过指定路径直接调用，配合时间戳和帧索引实现时序分析。

背景与挑战

背景概述

作为机器人技术领域的重要数据资源，eval_act_so101_test26-6数据集由HuggingFace团队基于LeRobot开源框架构建，专为机器人动作评估与模仿学习任务设计。该数据集聚焦于六自由度机械臂的关节空间控制问题，通过整合多视角视觉观测与精确的动作轨迹记录，为机器人行为策略的验证提供了标准化测试环境。其结构化数据涵盖肩部平移、肘部屈伸及腕部旋转等关键运动维度，体现了现代机器人学中感知-动作闭环研究的前沿方向。

当前挑战

在机器人动作评估领域，该数据集需解决高维连续动作空间的策略泛化难题，同时应对真实场景中动态干扰下的动作稳定性验证。数据构建过程中面临多模态时序对齐的复杂性，包括机械臂关节编码器数据与双视角视觉流之间的精确同步。此外，受限的样本规模与任务多样性对模型迁移能力提出严峻考验，而深度视频编码与大规模轨迹存储则对计算资源提出更高要求。

常用场景

经典使用场景

在机器人控制领域，该数据集通过记录机械臂关节位置与多视角视觉数据，为模仿学习算法提供了标准化的训练资源。其包含的肩部平移、肘部屈伸等六自由度动作轨迹，配合顶部与腕部摄像头采集的实时环境图像，能够有效支撑端到端策略网络的训练过程，成为机器人动作预测研究的典型实验平台。

解决学术问题

该数据集主要应对机器人领域动作表示学习的核心挑战，通过同步记录关节空间状态与视觉观察序列，解决了传统方法中感知与控制模块割裂的建模难题。其提供的多模态时序数据为研究动作语义理解、状态表征对齐等关键问题奠定了基础，显著推进了具身智能系统中感知-动作闭环建模的理论发展。

衍生相关工作

基于该数据特性，研究社区衍生出多模态动作预测模型、跨视角视觉特征融合方法等系列工作。这些研究通过设计时空注意力机制、层次化动作编码器等创新架构，显著提升了机器人动作生成的准确性与泛化能力，为后续大规模机器人操作数据集的构建提供了重要范式参考。