eval_act_so100_movella_stack_e1

这是一个由LeRobot创建的机器人数据集，包含1个剧集、595帧、1个任务和2个视频。数据集以Parquet文件格式存储，并提供了相关的视频文件。数据集的特征包括机器人的动作、状态、侧面和上方的图像信息，以及时间戳、帧索引等。数据集的许可为Apache-2.0。

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: robotics
• 标签: LeRobot, tutorial
• 代码库版本: v2.1
• 机器人类型: so100MovellaDot

数据集结构

• 总集数: 1
• 总帧数: 595
• 总任务数: 1
• 总视频数: 2
• 总块数: 1
• 块大小: 1000
• 帧率: 20 fps
• 训练集分割: 0:1

数据文件

• 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

特征描述

• action:
  • 数据类型: float32
  • 形状: [6]
  • 名称: main_shoulder_pan, main_shoulder_lift, main_elbow_flex, main_wrist_flex, main_wrist_roll, main_gripper
• observation.state:
  • 数据类型: float32
  • 形状: [6]
  • 名称: 同action
• observation.images.side:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 视频信息:
    • 高度: 480
    • 宽度: 640
    • 编解码器: av1
    • 像素格式: yuv420p
    • 非深度图
    • 帧率: 20
    • 通道数: 3
    • 无音频
• observation.images.above:
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 视频信息: 同observation.images.side
• timestamp:
  • 数据类型: float32
  • 形状: [1]
• frame_index:
  • 数据类型: int64
  • 形状: [1]
• episode_index:
  • 数据类型: int64
  • 形状: [1]
• index:
  • 数据类型: int64
  • 形状: [1]
• task_index:
  • 数据类型: int64
  • 形状: [1]

引用信息

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，高质量的数据集对于算法训练和系统评估至关重要。eval_act_so100_movella_stack_e1数据集基于LeRobot平台构建，采用先进的机器人操作数据采集技术，通过SO100 MovellaDot机器人系统记录多维度操作数据。数据集以Parquet格式存储，包含595帧数据，涵盖6自由度机械臂动作指令和状态观测，同时整合了双视角（侧面和俯视）的视觉信息，帧率为20fps，确保时序数据的连贯性和精确性。

使用方法

研究者可通过HuggingFace平台直接获取该数据集，利用标准Parquet解析工具处理数据文件。数据集采用分块存储结构，按照'data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet'路径规范组织，视频数据则存储在对应视频目录下。使用时应特别注意数据的时间对齐，动作指令、状态观测与视频帧通过timestamp和frame_index字段实现精确同步。该数据集特别适合用于机器人模仿学习、强化学习等算法的训练与验证，研究者可基于提供的6维动作空间设计控制策略，并利用双视角视觉信息进行状态估计。

背景与挑战

背景概述

eval_act_so100_movella_stack_e1数据集由LeRobot团队基于Apache-2.0协议构建，专注于机器人控制领域的研究。该数据集通过采集机械臂（so100MovellaDot型号）的多模态操作数据，包括关节角度状态、双视角视觉观测及时间戳信息，为机器人动作学习与策略优化提供了结构化实验数据。其技术框架采用v2.1版本代码库，以20Hz采样频率记录了595帧连续操作序列，特征空间涵盖6自由度机械臂控制指令与对应状态反馈，体现了当前机器人模仿学习研究对高精度时序数据的需求。

当前挑战

该数据集面临的核心挑战体现在两个维度：在领域问题层面，如何从有限样本（仅1个完整任务片段）中提取具有泛化能力的动作表征，需解决小样本条件下的机械臂运动模式泛化问题；在构建层面，多传感器数据（关节编码器与双路视频流）的精确时序对齐、高维视频数据的高效压缩存储（AV1编解码）以及动作-观测数据的因果一致性保障，均是工程实现中的关键技术难点。

常用场景

经典使用场景

在机器人控制领域，eval_act_so100_movella_stack_e1数据集为研究多自由度机械臂的运动规划与控制提供了宝贵资源。该数据集记录了SO100型MovellaDot机械臂在特定任务中的关节角度、末端执行器状态及多视角视频数据，为模仿学习与强化学习算法提供了高质量的示范轨迹。其包含的6自由度动作空间与同步视觉观测，尤其适合研究视觉-动作联合建模问题。

解决学术问题

该数据集有效解决了机器人领域动作表示学习中的关键挑战。通过提供精确的关节角度数据与同步视觉反馈，研究者能够探索高维连续动作空间下的策略优化问题。其多模态特性支持跨模态表征学习研究，而精确的时间戳标注则为时序动作预测模型提供了验证基准。这些特性显著推进了机器人动作模仿、状态估计与自主决策等核心问题的研究进程。

实际应用

在工业自动化场景中，该数据集可直接用于机械臂分拣系统的智能升级。基于数据集训练的模型能够理解多视角视觉输入与关节运动的关系，实现复杂物体的精准抓取。医疗机器人领域则可借鉴其动作精细控制特性，开发更安全的手术辅助系统。数据集包含的完整传感器反馈链，为实际部署中的状态监控与异常检测提供了参考范式。

数据集最近研究

最新研究方向

在机器人控制领域，eval_act_so100_movella_stack_e1数据集为研究多模态感知与动作协同提供了重要支持。该数据集包含机械臂的关节状态、视觉观测及动作指令，为模仿学习与强化学习算法的验证创造了条件。近期研究聚焦于如何利用此类多模态数据提升机器人动作的精确性与泛化能力，特别是在复杂环境下的抓取与堆叠任务中。随着LeRobot等开源平台的普及，基于真实机器人数据集的算法开发正成为热点，这为机器人技术的民主化发展奠定了基础。