R1_Lite_clean_the_floor

R1_Lite_clean_the_floor数据集是一个基于LeRobot格式的扩展数据集，用于训练机器人清洁地毯下的地板。数据集包括抓取、拾取、放置和擦拭等原子动作，并包含丰富的子任务、场景和末端执行器注释。数据集包含87个剧集，159,495帧，261个视频，数据量为10.1GB，并以Apache-2.0许可证发布。

原始信息汇总

R1_Lite_clean_the_floor 数据集概述

基本信息

• 数据集名称: R1_Lite_clean_the_floor
• 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
• 帧数范围: 100K-1M

机器人配置

• 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

场景与动作

场景类型

• 家庭环境

原子动作

• 抓取
• 拾取
• 放置
• 擦拭

数据集统计

指标	数值
总情节数	87
总帧数	159495
总任务数	1
总视频数	261
总分块数	1
分块大小	1000
帧率	30
数据集大小	10.1GB

任务描述

主要任务

用抹布擦拭地毯下的地板，然后将泡沫网放置在地板上

子任务

1. 异常
2. 铺下地毯
3. 掀起地毯
4. 空
5. 拾起泡沫保护网
6. 拾起抹布
7. 将泡沫保护网放置在地板上
8. 放下抹布
9. 用抹布擦拭地毯下的地板

数据特征

视觉观测

• observation.images.cam_high_rgb: 视频，帧率30，编码av1
• observation.images.cam_left_wrist_rgb: 视频，帧率30，编码av1
• observation.images.cam_right_wrist_rgb: 视频，帧率30，编码av1

状态与动作

• observation.state: float32
• action: float32

时间信息

• 时间戳、帧索引、情节索引、索引、任务索引

注释信息

• 子任务注释
• 场景注释

运动特征

• 末端执行器仿真姿态（状态和动作）
• 末端执行器方向（状态和动作）
• 末端执行器速度（状态和动作）
• 末端执行器加速度幅度（状态和动作）

夹爪特征

• 夹爪开合尺度（状态和动作）
• 夹爪模式（状态和动作）
• 夹爪活动状态

数据分割

• 训练集: 情节0-86

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

目录结构

• annotations/: 注释文件
• data/: 数据文件
• meta/: 元数据
• videos/: 视频文件

作者信息

• 贡献者: RoboCOIN团队

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
• 项目页面: https://flagopen.github.io/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_clean_the_floor数据集通过R1_Lite型双臂机器人系统性地记录了家庭环境下的地面清洁任务。该数据集采用LeRobot扩展格式构建，包含87个完整操作序列，总计159,495帧视觉与运动数据，通过多视角摄像头（高位、左右腕部）以30帧/秒采集720p分辨率视频，并同步记录14维关节状态与动作向量。数据以分块形式组织为Parquet文件，辅以精细的动作标注体系，确保时序数据与语义标签的精确对齐。

特点

该数据集的核心价值体现在其多维度的精细标注体系。除了基础的动作指令与关节轨迹，还囊括了末端执行器的6D位姿、运动方向、速度加速度分类，以及夹爪开合尺度与活动状态等物理特性。特别值得注意的是其层次化任务分解结构，将地面清洁任务解构为9个子任务，并提供了场景语义标注与动作边界标识。三视角视觉数据与丰富的状态特征共同构成了机器人模仿学习的完整感知-动作闭环。

使用方法

研究者可通过LeRobot兼容接口直接加载该数据集，利用其标准化数据结构进行机器人策略学习。训练时可按episode索引读取Parquet文件，同步解析多路视频流与状态动作序列。标注信息支持细粒度行为分析，例如基于子任务分段进行动作分割研究，或利用末端执行器运动特征构建动力学模型。数据集默认划分为0-86号episode作为训练集，适用于行为克隆、强化学习等算法验证。

背景与挑战

背景概述

机器人操作数据集R1_Lite_clean_the_floor由RoboCOIN团队于2025年发布，作为双手机器人集成操作研究的重要资源。该数据集聚焦家庭环境中的地面清洁任务，通过R1_Lite机器人搭载双指夹爪，记录包含抓取、拾取、放置及擦拭等原子动作的完整操作序列。其基于LeRobot框架的扩展格式设计，不仅提供多视角视觉观测与精细的动作轨迹标注，更通过159,495帧数据构建了从地毯清理到泡沫网铺设的完整任务链，为具身智能研究提供了高真实度的仿真验证平台。

当前挑战

该数据集致力于解决家庭场景中长时序操作任务的规划与执行难题，其核心挑战在于双手机器人动作的协同控制与动态环境适应性。构建过程中需克服多模态数据同步采集的技术瓶颈，包括三路摄像头视频流与14维关节状态的精确对齐。此外，对擦拭力度、抓取姿态等细微操作的量化标注，以及9类子任务边界划分的语义一致性保障，均对数据标注体系提出了极高要求。

常用场景

经典使用场景

在家庭服务机器人研究领域，R1_Lite_clean_the_floor数据集为复杂环境下的地面清洁任务提供了标准化的行为序列。该数据集通过多视角视觉观测与精细动作标注，完整记录了机器人执行地毯下擦拭、泡沫网铺设等复合操作的轨迹，成为模仿学习与行为克隆算法的理想训练素材。其丰富的末端执行器运动参数与抓取状态标注，为研究机器人精细操作策略提供了结构化数据支撑。

解决学术问题

该数据集有效解决了机器人操作任务中动作序列分解与长期规划的研究难题。通过精确标注的九项子任务边界与多模态传感器数据，研究者能够深入分析双指夹爪在非结构化环境中的力控策略与运动协调机制。其提供的六维末端位姿仿真数据与动态参数标注，为机器人操作技能的可泛化性研究建立了量化评估基准，显著推进了具身智能在真实场景中的适应性研究进程。

衍生相关工作

基于该数据集衍生的研究已催生多项双手机器人操作的重要成果。RoboCOIN项目团队通过整合LeRobot框架开发的协同操作算法，显著提升了双臂机器人的任务分解能力。后续研究利用其细粒度动作标注开发了分层强化学习模型，在动态物体抓取与放置任务中实现了更高精度的轨迹规划，为开源机器人社区提供了可复现的基准测试体系。