R1_Lite_make_the_bed

R1_Lite_make_the_bed是一个基于LeRobot格式的机器人数据集，用于家庭场景中的机器人操作任务，如抓取、拾取、放置和拉动。数据集包含100个剧集，240,837帧，1个任务，300个视频和1个数据块，支持多种学习方法和研究。

原始信息汇总

R1_Lite_make_the_bed 数据集概述

基本信息

• 数据集名称: R1_Lite_make_the_bed
• 许可证: Apache-2.0
• 支持语言: 英语、中文
• 任务类别: 机器人学
• 标签: RoboCOIN, LeRobot
• 数据规模: 100K-1M帧范围

技术规格

• 机器人类型: R1_Lite
• 代码库版本: v2.1
• 末端执行器类型: 两指夹爪
• 帧率: 30 FPS
• 数据集大小: 6.0GB

场景与动作

场景类型

• 家庭环境

原子动作

• 抓取
• 拾取
• 放置
• 拉动

数据集统计

指标	数值
总情节数	100
总帧数	240837
总任务数	1
总视频数	300
总分块数	1
分块大小	1000

任务描述

主要任务

握住被子的折叠角，抚平毯子的角落

子任务

1. 异常
2. 结束
3. 抚平折叠毯子的角落
4. 握住被子的折叠角
5. 空

数据特征

视觉观测

• observation.images.cam_high_rgb: 视频，720×1280分辨率，AV1编码
• observation.images.cam_left_wrist_rgb: 视频，720×1280分辨率，AV1编码
• observation.images.cam_right_wrist_rgb: 视频，720×1280分辨率，AV1编码

状态与动作

• observation.state: 浮点32，14维关节状态
• action: 浮点32，14维动作命令

注释信息

• 子任务注释: 细粒度子任务分割和标注
• 场景注释: 语义场景分类和描述
• 末端执行器注释: 方向、速度、加速度分类
• 夹爪注释: 模式、活动状态、开合尺度

数据组织

文件结构

• 数据文件: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频文件: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

数据分割

• 训练集: 情节0-99

相关链接

• 主页: https://flagopen.github.io/RoboCOIN/
• 论文: https://arxiv.org/abs/2511.17441
• 代码库: https://github.com/FlagOpen/RoboCOIN
• 问题反馈: https://github.com/FlagOpen/RoboCOIN/issues

引用信息

bibtex @article{robocoin, title={RoboCOIN: An Open-Sourced Bimanual Robotic Data Collection for Integrated Manipulation}, author={Shihan Wu, Xuecheng Liu, Shaoxuan Xie, Pengwei Wang, Xinghang Li, Bowen Yang, Zhe Li, Kai Zhu, Hongyu Wu, Yiheng Liu, Zhaoye Long, Yue Wang, Chong Liu, Dihan Wang, Ziqiang Ni, Xiang Yang, You Liu, Ruoxuan Feng, Runtian Xu, Lei Zhang, Denghang Huang, Chenghao Jin, Anlan Yin, Xinlong Wang, Zhenguo Sun, Junkai Zhao, Mengfei Du, Mingyu Cao, Xiansheng Chen, Hongyang Cheng, Xiaojie Zhang, Yankai Fu, Ning Chen, Cheng Chi, Sixiang Chen, Huaihai Lyu, Xiaoshuai Hao, Yequan Wang, Bo Lei, Dong Liu, Xi Yang, Yance Jiao, Tengfei Pan, Yunyan Zhang, Songjing Wang, Ziqian Zhang, Xu Liu, Ji Zhang, Caowei Meng, Zhizheng Zhang, Jiyang Gao, Song Wang, Xiaokun Leng, Zhiqiang Xie, Zhenzhen Zhou, Peng Huang, Wu Yang, Yandong Guo, Yichao Zhu, Suibing Zheng, Hao Cheng, Xinmin Ding, Yang Yue, Huanqian Wang, Chi Chen, Jingrui Pang, YuXi Qian, Haoran Geng, Lianli Gao, Haiyuan Li, Bin Fang, Gao Huang, Yaodong Yang, Hao Dong, He Wang, Hang Zhao, Yadong Mu, Di Hu, Hao Zhao, Tiejun Huang, Shanghang Zhang, Yonghua Lin, Zhongyuan Wang and Guocai Yao}, journal={arXiv preprint arXiv:2511.17441}, url = {https://arxiv.org/abs/2511.17441}, year={2025} }

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，R1_Lite_make_the_bed数据集采用扩展版LeRobot格式构建，确保了与主流机器人学习框架的兼容性。该数据集通过R1_Lite型双指夹爪机器人在家居环境中执行铺床任务，系统采集了100个完整操作片段，涵盖24万余帧视觉与运动数据。数据以分块形式组织，每个数据块包含1000个操作片段，所有视觉数据均以AV1编码的30帧率视频流保存，保证了数据的高效存储与读取。

使用方法

基于LeRobot标准格式的设计使该数据集具备即插即用的特性，研究人员可通过标准数据加载器直接读取parquet格式的状态动作序列和MP4格式的视觉流。训练集包含0至99号完整操作片段，支持端到端模仿学习与强化学习算法验证。多路视觉观察与丰富的运动标注允许开发多模态融合模型，而细粒度子任务标注则便于构建分层强化学习框架。数据集提供的六维末端位姿和夹爪控制信号为动力学建模与轨迹优化研究提供了完整的数据支撑。

背景与挑战

背景概述

在机器人操作领域，家庭环境中的复杂任务执行一直是研究重点。R1_Lite_make_the_bed数据集由RoboCOIN团队于2025年发布，作为RoboCOIN项目的重要组成部分，该数据集聚焦于双手机器人R1_Lite在家庭场景中完成铺床任务的操作数据收集。数据集基于LeRobot框架构建，包含240,837帧多视角视频数据及丰富的动作标注，旨在推动机器人精细操作与任务分解能力的研究。通过提供端到端操作轨迹与多模态传感器数据，该数据集为模仿学习与强化学习算法在真实场景中的应用奠定了坚实基础。

当前挑战

家庭环境中的铺床任务涉及对柔性物体的精细操作，其核心挑战在于机器人需同时处理空间定位、布料形变预测与双手协调控制。数据集构建过程中面临多传感器时序同步、高维动作空间标注一致性等难题，特别是双指夹爪对褶皱被褥的抓取力度控制与放置精度要求极高。此外，多视角视频数据与机器人状态数据的跨模态对齐，以及长时序任务中动作边界的精确划分，均为数据质量保障带来显著挑战。

常用场景

经典使用场景

在家庭服务机器人研究领域，R1_Lite_make_the_bed数据集为双指夹爪机器人的操作技能学习提供了标准化基准。该数据集通过记录整理床铺任务中抓取、拾取、放置、拉动等原子动作序列，构建了包含24万帧多视角视频与丰富运动标注的演示数据。研究人员可基于LeRobot兼容格式直接训练模仿学习模型，探索双机械臂协同操作柔性物体的动态控制策略。

解决学术问题

该数据集有效解决了机器人操作学习中长期存在的泛化能力不足问题。通过提供精细化的子任务分割标注与六维末端执行器位姿数据，支持研究者深入分析复杂操作任务的层次化结构。其丰富的运动特征标注体系为理解双机械臂系统的运动规划、力控制交互等基础理论问题提供了实证基础，推动了具身智能在非结构化环境中的适应性研究。

实际应用

在智能家居场景中，该数据集支撑的服务机器人技术已显现实际价值。基于数据集训练的模型可应用于养老机构的日常护理系统，实现自主床铺整理功能。其双机械臂协同操作范式进一步启发了物流分拣、柔性制造等工业场景的应用拓展，为开发适应复杂物理交互的通用操作系统奠定了数据基础。

数据集最近研究

最新研究方向

在家庭服务机器人领域，R1_Lite_make_the_bed数据集凭借其精细化的双指抓取器操作数据，正推动模仿学习与任务分解研究的前沿发展。该数据集通过多视角视频流与丰富的末端执行器运动标注，为复杂家居任务的长时程规划算法提供了关键训练基础。随着RoboCOIN项目与LeRobot框架的深度整合，研究者正探索基于分层强化学习的自适应控制策略，以应对柔性物体操作的动态不确定性。这些进展不仅加速了家庭助手机器人的实用化进程，更在机器人感知-动作闭环系统的可解释性研究上开辟了新路径。