salmonHan/record-test_20260527_231932

该数据集是使用LeRobot创建的机器人数据集，专门用于机器人技术研究。数据集包含一个完整的episode，总计1797帧，帧率为30fps。数据集中包括机器人的动作数据（如肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置），状态观测数据（与动作数据相同），以及来自前置摄像头的图像数据（分辨率为720x1280，RGB三通道）。此外，数据集还包含时间戳、帧索引、episode索引、索引和任务索引等元数据。数据以Parquet格式存储，视频以MP4格式存储，总数据文件大小为100MB，视频文件大小为200MB。数据集适用于训练和评估机器人控制算法。This dataset was created using LeRobot and is designed for robotics research. It contains one complete episode with a total of 1797 frames at 30 fps. The dataset includes robot action data (e.g., shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), state observation data (same as action data), and image data from a front camera (resolution 720x1280, RGB three-channel). Additionally, the dataset includes metadata such as timestamps, frame indices, episode indices, indices, and task indices. The data is stored in Parquet format, with videos in MP4 format, and the total data file size is 100MB, with video files totaling 200MB. The dataset is suitable for training and evaluating robot control algorithms.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专为机器人模仿学习任务而设计。数据采集自so_follower型机器人，包含单一任务序列，共计1797帧连续操作数据。数据存储采用分块（chunk）的parquet格式，并辅以MP4视频文件记录前端摄像头视角，帧率为30fps。数据特征涵盖六维动作指令（包括关节位置与夹爪状态）、对应的机器人状态观测，以及时间戳、帧索引与任务索引等元信息，形成了完整的行动-观测对结构。

特点

数据集以紧凑的格式融合了状态与动作的高频采样，尤其通过1280×720分辨率的AV1编码视频保留了丰富的视觉上下文。具备统一的动作空间与观测空间维度，支持端到端的策略学习。虽然包含单个任务与单条轨迹，但高密度采样（1797帧）和完整的元数据设计使其适用于验证机器人操控任务的算法原型与基准测试。

使用方法

用户可直接通过LeRobot库加载该数据集，利用其预设的分块路径读取parquet数表和视频帧，以构建训练与评估流程。建议将数据集划分为训练集（默认包含全部序列）进行模型拟合，并结合动作与状态特征向量进行模仿学习或行为克隆算法的实现。通过visualize_dataset可视化空间可初步观察数据质量与机器人操作细节。

背景与挑战

背景概述

该数据集由salmonHan团队于2025年5月通过LeRobot框架创建，聚焦于机器人操作任务的模仿学习研究。数据集中包含一条持续约60秒的演示轨迹，共计1797帧，记录了一台SO Follower型机械臂的6维关节空间动作（包括肩部、肘部、腕部及夹爪），并辅以720p分辨率的前置摄像头视频流。作为开源社区在机器人数据集标准化方面的一次实践，数据集采用Apache-2.0许可发布，旨在为低成本机械臂的示教学习提供可复用的基准样本，其简洁的单任务结构有利于研究者快速验证从状态到动作的映射策略。

当前挑战

该数据集所应对的核心领域挑战在于，机器人模仿学习依赖高质量、多模态的示范数据，而真实物理环境中精确同步关节状态与视觉信息、并确保动作序列的连续性和一致性极为困难。构建过程中，由于遥操作或人工示教的精度限制，6个关节角度的小幅抖动量可能被模型放大为不稳定策略；同时，单条演示轨迹缺乏任务间与任务内的统计多样性，容易导致学习到的策略过拟合于特定初始条件；此外，30fps的视频数据与状态数据在时间戳对齐上的微小偏差，以及机械臂夹爪抓取力的隐式建模缺失，也为后续强化学习或行为克隆算法的泛化能力带来了显著制约。

常用场景

经典使用场景

在机器人学习与模仿学习的研究版图中，record-test_20260527_231932数据集以其精细的遥操作数据捕获能力脱颖而出。该数据集源自LeRobot框架，聚焦于so_follower机器人平台，记录了包含六自由度关节角度及夹爪状态的完整动作序列，并同步采集了高分辨率前端视觉图像。这一经典使用场景使得研究者能够端到端地训练机器人策略，从视觉观测中直接映射出精确的连续动作指令，尤其适用于复杂精细操作任务的复现与泛化研究。

衍生相关工作

该数据集作为LeRobot生态的组成部分，衍生了一系列重要的研究工作。其中最具代表性的是基于扩散策略的机器人动作生成方法，通过在该类数据集上预训练，模型能够输出高度平滑且符合动力学约束的运动序列。此外，跨具身形态的迁移学习工作亦发轫于此，研究者利用其标准化的动作空间定义，探索了不同机械臂构型间的知识共享。这些工作共同将数据从“记录”层面升维至“涌现”层面，为通用机器人基础模型的研究奠定了基础。

数据集最近研究

最新研究方向

该数据集record-test_20260527_231932基于LeRobot框架构建，专注于机器人模仿学习领域的前沿探索。数据采用AV1编码的高清视觉（1280x720p@30fps）与六自由度动作状态联合记录，针对SO_Follower型机器人操作任务，为精细动作控制与视觉-运动映射研究提供了标准化基准。当前业界正围绕大规模机器人数据集与低成本数据采集展开激烈竞争，此数据集的小批量但高保真特性，契合了LeRobot社区推动开放机器人数据生态、降低模仿学习入局门槛的核心理念，对推动基于人类示范的机器人泛化操作能力研究具有重要支撑意义。