R1_Lite_tea_service_table_setting

该数据集是基于LeRobot数据集扩展格式构建的，完全兼容LeRobot。它包含了丰富的注释，支持各种学习方法和机器人操作任务。数据集主要关注茶服务场景，涉及抓取、捡起和放置物体等任务。数据集遵循Apache-2.0许可协议发布。

原始信息汇总

R1_Lite_tea_service_table_setting 数据集概述

基本信息

• 数据集名称: R1_Lite_tea_service_table_setting
• 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
• 数据范围: 100K-1M

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: 4.6GB

场景与动作

场景类型

• 家庭环境

原子动作

• 抓取
• 拾取
• 放置

数据统计

指标	数值
总情节数	109
总帧数	107465
总任务数	1
总视频数	327
总分块数	1
分块大小	1000

任务描述

主要任务

将水壶、茶包从托盘拿到桌上再放回

子任务

包含14个具体子任务：

1. 异常
2. 空
3. 拿起瓶装水
4. 拿起水壶
5. 拿起茶包
6. 拿起茶杯
7. 放在面前
8. 放在左边
9. 放在右边
10. 放在托盘上
11. 将瓶装水放回原位
12. 将水壶放回原位
13. 将茶包放回原位
14. 将茶杯放回原位

数据特征

视觉观测

• 3个摄像头视角：高清RGB、左手腕RGB、右手腕RGB
• 分辨率：720×1280
• 编码格式：AV1

状态与动作

• 观察状态：14维浮点数（关节位置和夹爪状态）
• 动作：14维浮点数（关节控制和夹爪操作）

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：Parquet格式，按分块组织
• 视频文件：MP4格式，按摄像头视角组织
• 训练分割：情节0-108

数据路径模式

• 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

相关资源

• 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

贡献者

• RoboCOIN团队

版本信息

• 初始版本：v1.0.0 (2025年11月发布)

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_tea_service_table_setting数据集通过R1_Lite双指夹爪机器人在家庭场景中执行茶具摆放任务构建而成。数据采集过程涵盖109个完整操作序列，累计产生107,465帧视觉与运动数据，采用LeRobot扩展格式存储为分块Parquet文件。多视角RGB视频以30帧率同步记录，结合14维关节状态与动作向量，形成结构化机器人操作轨迹库。

特点

该数据集以多模态注释体系为显著特征，集成三路高清摄像头视角与精细的末端执行器运动参数。其标注系统涵盖子任务分割、场景语义分类及六维位姿信息，特别提供夹爪开合尺度与活动状态的连续量化数据。数据架构支持机器人状态与动作的并行分析，包含方向、速度、加速度等多维度运动特征，为双臂协调操作研究提供丰富基准。

使用方法

研究者可通过LeRobot兼容接口直接加载数据分块，利用预定义的训练划分进行算法验证。每个Parquet文件包含同步的视觉观察、机器人状态及动作指令，支持端到端模仿学习与策略优化。多路视频流与运动参数的时序对齐特性，便于开发视觉-运动融合模型，其标准化数据模式确保与现有机器人学习框架的无缝集成。

背景与挑战

背景概述

在机器人操作领域，双手机器人系统因其能够模拟人类双手协作的复杂行为而备受关注。R1_Lite_tea_service_table_setting数据集由RoboCOIN团队于2025年11月发布，作为RoboCOIN项目的重要组成部分，该数据集聚焦于家庭环境下的茶具摆放任务。通过记录R1_Lite双手机器人执行抓取、放置等原子动作，数据集旨在推动机器人精细操作与任务规划的研究。其基于LeRobot框架的扩展格式确保了数据的兼容性与可扩展性，为机器人学习算法提供了丰富的多模态数据支持。

当前挑战

该数据集致力于解决双手机器人在复杂家庭场景中的协同操作问题，面临动作序列长、物体交互精细等挑战。构建过程中需克服多视角视频同步、高精度末端执行器姿态标注等技术难点，同时确保107,465帧数据在运动学参数与视觉观测间的一致性。数据采集还涉及茶具等易碎物体的安全操作约束，以及14个子任务间的逻辑连贯性维护，这些因素共同构成了数据集构建的核心挑战。

常用场景

经典使用场景

在机器人操作学习领域，该数据集聚焦于家庭环境中的茶具摆放任务，通过双指夹爪机器人执行抓取、拾取与放置等基础动作。其经典应用体现在为模仿学习与强化学习算法提供标准化测试平台，涵盖从托盘到桌面的茶具转移全流程，包含水壶、茶杯、茶包等多样物体的精确操控序列。多视角视觉观测与精细的动作标注共同构建了真实世界操作任务的数字孪生环境。

衍生相关工作

基于该数据集衍生的研究已延伸至多层次机器人学习范式。部分工作利用其精细的动作标注开发分层强化学习框架，另一类研究则聚焦跨模态表征学习，通过融合视觉观测与运动数据提升操作策略的泛化能力。这些成果进一步丰富了RoboCOIN生态，并与LeRobot框架形成技术互补，共同推动开源机器人数据社区的发展。

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_tea_service_table_setting数据集正推动双手机器人操作的前沿研究。该数据集聚焦茶具摆放任务，通过多视角视觉数据与精细的末端执行器运动标注，为模仿学习与分层强化学习提供丰富素材。当前研究热点集中于利用其细粒度子任务分割，开发能够理解长期任务结构的智能体，同时结合仿真姿态数据探索 sim-to-real 迁移策略。随着服务机器人逐步融入日常生活，这类高质量数据集对提升机器人复杂场景下的灵巧操作能力具有关键意义，为具身智能的发展奠定了数据基础。