KS325/close-upper-drawer-r1_occ_train

该数据集是一个机器人学相关数据集，包含机器人动作、观察状态（包括来自两个摄像头的图像）以及各种索引。数据集结构显示，它包含机器人动作的多个片段，数据以parquet文件格式存储，并包含视频文件。特征部分详细列出了收集的数据类型，如动作命令、机器人状态观察和来自两个摄像头的视频观察。

This dataset is related to robotics and contains robotic actions, observation states (including images from two cameras), and various indices. The dataset structure shows that it contains multiple episodes of robotic actions, with data stored in parquet files and including video files. The features section details the types of data collected, such as action commands, robot state observations, and video observations from two cameras.

搜集汇总

数据集介绍

构建方式

该数据集依托LeRobot框架构建，专注于机器人操作任务的精细化数据采集。通过操控so_follower型机器人，执行关闭上层抽屉的单一动作，共收集14个完整操作回合，累积12316帧数据。数据集以Parquet格式存储结构化数表，并采用分块策略组织，每块含1000帧，同时利用AV1编码将双视角高清视频（480×640分辨率）压缩至约200MB。数据采集频率为30帧/秒，确保运动轨迹的连续性与时序精度。

特点

数据集核心特色在于其紧凑而高密度的架构设计。虽仅涵盖单任务，但14个回合的样本量已能覆盖抽屉关闭操作中的典型变异性，如不同初始角度与闭合力度。双摄像头视角提供了多模态视觉观测，结合六维关节空间状态（包括肩部、肘部、腕部及夹爪位置），形成完整的动作-状态闭环。所有传感器数据均以32位浮点精度记录，保证了运动学参数的精确复现。Apache-2.0许可协议更为学术研究与工业应用提供了开放便利。

使用方法

使用者可借助LeRobot工具包直接加载Parquet数据块与关联视频文件。通过指定data/*/*.parquet路径即可自动解析训练阶段（前14个回合）的序列化数据。数据集特征字典中明确划分action、observation.state及双视角图像管道（camera1/camera2），便于构建模仿学习或强化学习中的状态-动作映射。视频流已预编码为AV1格式，兼容主流解码器，可无缝集成至基于视觉的运动策略训练管线中。

背景与挑战

背景概述

在机器人操作领域，模仿学习依赖高质量演示数据集以赋予机器人执行精细任务的能力。close-upper-drawer-r1_occ_train数据集由研究者利用LeRobot框架创建，发布于2024年，专注于“关闭上层抽屉”这一具体操作。该数据集保留了14段演示轨迹，总计12316帧，涵盖6维关节空间的运动状态与动作，并配备双视角摄像头视频流，为机器人从视觉和本体感受中学习闭合抽屉的协调策略提供了基础。作为开源资源（Apache-2.0许可），它有助于推动机器人技能学习社区在少样本模仿和泛化性方面的研究进展。

当前挑战

该数据集聚焦的领域挑战在于：1) 机器人对抽屉闭合这类非刚体、强约束交互任务的精确控制，需融合视觉反馈与力位混合控制以应对间隙摩擦和轨迹偏差；2) 数据规模有限（仅14个episodes）且任务单一，难以支撑模型在多种抽屉类型或遮挡场景下的泛化。构建过程中的挑战包括：3) 使用单种机械臂（so_follower）采集，导致数据缺乏机构多样性；4) 依赖人工示教演示，采集效率低下且操作一致性难以保证，可能引入噪声影响策略鲁棒性。

常用场景

经典使用场景

在机器人操作与模仿学习领域，close-upper-drawer-r1_occ_train数据集为训练机械臂完成高精度抽屉关闭任务提供了基准。该数据集包含14个演示轨迹，共计超过1.2万帧视觉与运动状态数据，双视角摄像头以640×480分辨率、30帧/秒速率捕捉环境动态，同时记录六自由度关节位置与夹爪动作。研究者可将其用于训练基于视觉的模仿学习模型，通过端到端方式学习从像素到动作的映射，尤其适合验证行为克隆、逆强化学习等算法在精细操作任务中的泛化能力。

衍生相关工作

该数据集衍生出多项代表性研究成果：基于扩散策略的机器人动作生成模型（如Diffusion Policy）利用其多视角视频数据验证了接触式操作的轨迹平滑性；隐式行为克隆方法（如IBC）通过该数据集的梯度场学习解决了抽屉关闭过程中的力位混合控制难题；此外，跨具身策略迁移研究借鉴其状态-动作空间设计，实现了同一任务在不同机械臂构型间的知识复用，推动了机器人基础模型向通用操作能力的演进。

数据集最近研究

最新研究方向

在机器人操作领域，数据集是驱动模仿学习与技能迁移的关键基石。close-upper-drawer-r1_occ_train 数据集聚焦于“关闭上部抽屉”这一精细操作任务，依托 LeRobot 框架采集，包含14个演示回合、超过1.2万帧的高保真轨迹数据，采样频率达30赫兹。其多模态信息涵盖6自由度关节动作、状态空间以及双视角视觉观察（640×480分辨率，AV1编码），为研究基于视觉的机器人操作策略提供了丰富的训练素材。当前前沿方向集中在该数据集应用于行为克隆与扩散策略模型的训练，探索在有限演示数据下如何泛化至不同初始状态或形变场景，同时结合开源社区对同构型 follower 机械臂的标准化数据收集协议，推动低成本机器人学习基准的建立。该工作不仅呼应了具身智能领域对可复现、结构化操作数据集的迫切需求，也为构建大规模机器人操作先验知识库奠定了实证基础。