Lisette1231/20260328_1

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "bi_so100_follower",
"total_episodes": 10,
"total_frames": 12559,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 500,
"fps": 30,
"splits": {
"train": "0:10"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"left_shoulder_pan.pos",
"left_shoulder_lift.pos",
"left_elbow_flex.pos",
"left_wrist_flex.pos",
"left_wrist_roll.pos",
"left_gripper.pos",
"right_shoulder_pan.pos",
"right_shoulder_lift.pos",
"right_elbow_flex.pos",
"right_wrist_flex.pos",
"right_wrist_roll.pos",
"right_gripper.pos"
],
"shape": [
12
]
},
"observation.state": {
"dtype": "float32",
"names": [
"left_shoulder_pan.pos",
"left_shoulder_lift.pos",
"left_elbow_flex.pos",
"left_wrist_flex.pos",
"left_wrist_roll.pos",
"left_gripper.pos",
"right_shoulder_pan.pos",
"right_shoulder_lift.pos",
"right_elbow_flex.pos",
"right_wrist_flex.pos",
"right_wrist_roll.pos",
"right_gripper.pos"
],
"shape": [
12
]
},
"observation.images.top": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

在机器人操作研究领域，高质量的数据集对于算法训练与评估至关重要。本数据集依托LeRobot平台构建，通过双臂机器人bi_so100_follower采集了10个完整任务片段，共计12559帧数据。数据以分块形式存储，每块包含1000帧，整体数据文件规模为100MB，并辅以500MB的视频文件。采集过程中，机器人关节位置与视觉观测被同步记录，帧率稳定在30Hz，确保了时序数据的一致性。所有数据均以Parquet格式保存，便于高效读取与处理。

特点

该数据集在机器人操作数据中展现出鲜明的多模态特性。其核心特征在于同时囊括了机器人的动作指令与状态观测，动作空间涵盖左右双臂各六个关节的位置控制，观测则整合了双视角的RGB图像与对应的关节状态。视觉数据以AV1编码的MP4视频形式提供，分辨率为640x480，色彩通道为三通道，为算法提供了丰富的环境感知信息。数据结构层次分明，通过帧索引、片段索引等元数据实现了数据的精准定位，支持对长时序任务的深入分析。

使用方法

为便于研究者利用本数据集进行机器人学习算法的开发，数据已预先划分为训练集。使用者可通过加载Parquet数据文件，直接访问每一帧的动作、观测及时间戳等信息。对于视觉模态，配套的视频文件可按路径独立读取。在具体应用中，该数据集适用于模仿学习、强化学习等范式的模型训练，能够支持从原始图像到关节动作的端到端策略学习，或用于机器人状态估计与行为分析的各类研究任务。

背景与挑战

背景概述

在机器人学习领域，高质量、大规模的真实世界交互数据是推动模仿学习与强化学习算法发展的基石。数据集20260328_1由HuggingFace的LeRobot项目创建，旨在为双臂机器人（bi_so100_follower）提供包含多模态观测与动作轨迹的示范数据。该数据集收录了10个完整交互片段，共计12559帧，以30fps同步记录机器人关节状态、夹爪位置以及顶部与右侧双视角的视觉信息，其结构化存储与开源许可为社区研究机器人技能泛化与策略迁移提供了宝贵资源。

当前挑战

该数据集致力于解决双臂机器人模仿学习中的多模态感知与精细动作规划挑战，其核心在于如何从高维视觉与状态观测中提取有效特征以生成协调的双臂控制指令。在构建过程中，面临数据同步与对齐的复杂性，需确保关节编码器数据与双路视频流在时间戳上精确匹配；同时，大规模视频数据的压缩存储与高效读取亦构成工程挑战，需在保持视觉质量与降低存储开销间取得平衡。

常用场景

经典使用场景

在机器人学习领域，20260328_1数据集以其双臂机器人（bi_so100_follower）的示教数据为核心，为模仿学习与行为克隆提供了经典范例。该数据集记录了机器人执行特定任务时的关节位置、图像观察及时间序列信息，研究者可借此训练模型从视觉输入中推断动作策略，实现端到端的机器人控制。其结构化数据格式与视频流结合，便于算法在仿真与真实世界间迁移验证，成为开发自适应机器人系统的关键资源。

解决学术问题

该数据集致力于解决机器人学中示教数据稀缺与异构模态融合的挑战。通过提供同步的多视角视觉观测与精确的关节状态数据，它支持研究者探索跨模态表示学习、时序动作预测以及策略泛化等核心问题。其高帧率视频与精细动作标注有助于突破模仿学习在动态环境中的精度瓶颈，为数据驱动的机器人控制方法提供了可复现的基准，推动了具身智能在复杂任务中的理论进展。

衍生相关工作

围绕该数据集，学术界衍生出多项经典研究工作，主要集中在视觉-动作映射模型的创新上。例如，研究者利用其多模态序列数据开发了时空注意力网络，以提升长时程任务的动作一致性；另有工作结合强化学习框架，从示教数据中提取奖励函数，实现了策略的零样本泛化。这些成果不仅丰富了机器人学习的方法体系，还催生了开源工具链的优化，促进了社区在真实机器人平台上的实验验证与知识共享。