AgiBot-g1_robotic_arm_picks_up_battery

该数据集基于LeRobot的扩展格式，完全兼容LeRobot。数据集包含AgiBot-g1机械臂抓取电池并将其放置在桌子上的动作。数据集包含56个场景，共30215帧，448个视频，1个任务，1个数据块，每块包含1000个场景。数据集包含丰富的注释，包括子任务分割、场景描述、末端执行器运动方向、速度、加速度、抓手模式、抓手活动状态等。数据集以LeRobot格式组织，包含视频、状态数据、动作数据和元数据等。数据集分为训练集和测试集。

原始信息汇总

AgiBot-g1_robotic_arm_picks_up_battery 数据集概述

基本信息

• 数据集名称: AgiBot-g1_robotic_arm_picks_up_battery
• 许可证: Apache-2.0
• 支持语言: 英语、中文
• 任务类别: 机器人技术
• 标签: RoboCOIN, LeRobot
• 框架范围: 10K-100K

机器人配置

• 机器人类型: AgiBot-g1
• 代码库版本: v2.1
• 末端执行器类型: 两指夹爪

场景与动作

• 场景类型: 工厂
• 原子动作: 放置、拾取、抓取

数据集统计

指标	数值
总情节数	56
总帧数	30215
总任务数	1
总视频数	448
总块数	1
块大小	1000
帧率	30
数据集大小	17.9GB

任务描述

• 主要任务: 拿起电池并放在桌子上
• 子任务:
  1. 从大箱子中抓取并抬起电源
  2. 空
  3. 将电源放置在操作台上

数据特征

视觉观测

• 8个相机视角，包括：
  • 高清RGB相机
  • 左右手腕RGB相机
  • 多个鱼眼相机
• 所有视频帧率：30 FPS
• 编码格式：av1

状态与动作

• 观测状态: 41维浮点数组（关节位置、末端位置、姿态等）
• 动作: 34维浮点数组（关节控制、末端控制等）

时间信息

• 时间戳、帧索引、情节索引、任务索引

标注信息

• 子任务标注
• 场景标注
• 末端执行器运动特征（方向、速度、加速度）
• 夹爪特征（开合尺度、模式、活动状态）

数据组织

文件结构

数据集根目录/ ├── annotations/ # 标注文件 ├── data/ # 数据文件（Parquet格式） ├── meta/ # 元数据 └── videos/ # 视频文件

数据分割

• 训练集: 情节0-55

作者与链接

• 贡献者: RoboCOIN团队
• 主页: https://flagopen.github.io/RoboCOIN/
• 论文: https://arxiv.org/abs/2511.17441
• 代码库: https://github.com/FlagOpen/RoboCOIN

技术兼容性

• 基于LeRobot格式扩展
• 完全兼容LeRobot框架

引用信息

如需使用本数据集，请引用相关论文和LeRobot框架。

搜集汇总

数据集介绍

构建方式

在机器人操作数据采集领域，该数据集采用基于LeRobot框架的扩展格式构建，通过AgiBot-g1双指夹爪机器人系统在工厂场景中执行电池拾取任务。数据采集过程涵盖56个完整操作片段，形成30215帧视觉与状态数据，以30帧率记录8个不同视角的RGB视频流。数据组织采用分块存储架构，将1000个片段整合为单一数据块，并以Parquet格式保存机器人关节状态、末端执行器位姿及夹爪开合尺度等多维时序信息。

特点

该数据集在机器人操作学习领域展现出显著的多模态特性，集成8路高分辨率摄像头视角，包括手腕视角与鱼眼全景视角，提供720p至1920p不同分辨率的视觉观测。数据标注体系极为完备，不仅包含基础的状态动作对，还提供精细化的子任务分割标注、末端执行器运动学特征（方向、速度、加速度）以及夹爪活动模式分类。特别值得关注的是其提供的6D末端执行器仿真位姿信息，为机器人运动规划研究提供了珍贵的基准数据。

使用方法

基于LeRobot兼容性设计，研究者可通过标准数据加载接口直接访问该数据集。数据按episode索引组织，支持从parquet文件读取机器人状态观测与动作指令，同时配套视频文件提供多视角视觉反馈。使用流程包括：解析元数据文件获取任务描述，加载指定分块中的操作片段，提取关节角度、末端位姿等34维动作空间与41维状态空间特征。该结构特别适合用于模仿学习、强化学习等算法的训练与验证，支持端到端的机器人操作策略学习。

背景与挑战

背景概述

在机器人操作研究领域，AgiBot-g1_robotic_arm_picks_up_battery数据集由RoboCOIN团队于2025年构建，聚焦于双臂机器人在工业场景下的物体抓取与放置任务。该数据集基于LeRobot框架扩展开发，包含56个完整操作序列与30215帧多视角视觉数据，核心研究目标在于解决机器人对电池类物体的精确抓取与定位问题。通过提供丰富的末端执行器运动轨迹与抓取状态标注，该数据集为机器人模仿学习与操作策略优化提供了重要基准，显著推动了工业自动化场景下机器人精细操作能力的发展。

当前挑战

该数据集致力于解决机器人操作领域的两大挑战：在任务层面，双臂协同抓取不规则物体时需要克服姿态估计误差与抓取力控制的不确定性；在数据构建层面，多摄像头视角同步采集与高维度动作状态标注带来了数据对齐与标注一致性的技术难题。具体而言，工厂环境中光照变化与物体遮挡对视觉感知系统构成干扰，而末端执行器的六维位姿标注与抓取器开合状态的连续量化，要求标注系统具备毫米级精度与毫秒级时间分辨率。

常用场景

经典使用场景

在机器人操作学习领域，该数据集聚焦于双臂机械臂执行物体抓取与放置任务的核心场景。通过记录AgiBot-g1机械臂从大型箱体中抓取电池并放置到操作台的完整流程，数据集为机器人精细操作提供了标准化的行为范式。其多视角视觉数据与丰富的动作标注，使得研究者能够深入分析抓取姿态规划、运动轨迹优化等关键环节，为机器人操作技能的自动化学习奠定了数据基础。

实际应用

在工业自动化场景中，该数据集为电池装配、物料搬运等流水线作业提供了可靠的技术验证平台。基于数据集训练的机器人系统能够实现精准的物体抓取与定位放置，显著提升生产线的自动化水平。其兼容LeRobot框架的特性，使得研究成果能够快速部署到实际工业环境中，为智能制造领域的应用创新提供了重要技术支撑。

衍生相关工作

围绕该数据集衍生的经典研究主要集中在机器人操作技能的迁移学习与多任务泛化领域。基于RoboCOIN项目构建的基准方法，推动了双臂协调操作、动态场景适应等方向的技术突破。这些工作通过利用数据集丰富的多模态标注信息，开发出具有强泛化能力的操作策略模型，为机器人操作学习的标准化评估与比较建立了重要参考体系。