eval_act_int8

这是一个使用LeRobot工具创建的数据集，包含15个剧集，9667个帧，1个任务，30个视频和1个片段。数据集的帧率为30fps，所有数据以Parquet格式存储。数据集的特征包括主要肩部、肘部、手腕和夹爪的动作和状态，以及来自笔记本电脑和手机的图像。所有视频均为480p分辨率，使用av1编码，没有音频。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 机器人学 (Robotics)
• 标签: LeRobot
• 代码库版本: v2.1
• 机器人类型: so100

数据集结构

• 总集数: 15
• 总帧数: 9667
• 总任务数: 1
• 总视频数: 30
• 总块数: 1
• 块大小: 1000
• 帧率 (FPS): 30
• 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

特征描述

• 动作 (action):
  • 数据类型: float32
  • 形状: [6]
  • 名称: main_shoulder_pan, main_shoulder_lift, main_elbow_flex, main_wrist_flex, main_wrist_roll, main_gripper
• 观测状态 (observation.state):
  • 数据类型: float32
  • 形状: [6]
  • 名称: 同动作特征
• 观测图像 (observation.images.laptop & observation.images.phone):
  • 数据类型: video
  • 形状: [480, 640, 3]
  • 视频信息:
    • 帧率: 30.0
    • 分辨率: 480x640
    • 通道数: 3
    • 编解码器: av1
    • 像素格式: yuv420p
    • 深度图: false
    • 音频: false
• 其他特征:
  • timestamp: float32, 形状 [1]
  • frame_index: int64, 形状 [1]
  • episode_index: int64, 形状 [1]
  • index: int64, 形状 [1]
  • task_index: int64, 形状 [1]

引用信息

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，eval_act_int8数据集的构建依托LeRobot框架实现，采用结构化数据采集方法。该数据集包含15个完整情节，总计9667帧数据，以30帧每秒的速率记录。数据以分块形式存储于Parquet文件中，每个情节对应独立的视频和动作序列，确保数据完整性和高效访问。

特点

eval_act_int8数据集的特点体现在其多模态观测体系，涵盖六自由度机械臂动作指令与双视角视觉数据。动作空间包含肩部平移、抬升及腕部关节等六维控制量，观测数据集成笔记本电脑与手机双摄像头采集的480x640分辨率视频流，辅以时间戳和帧索引等元数据，形成机器人任务执行的立体记录。

使用方法

该数据集适用于机器人强化学习算法的训练与验证，用户可通过解析Parquet文件直接获取动作-观测对序列。视频数据以AV1编码存储于独立路径，支持帧级对齐分析。研究者可利用动作名称映射关系重构控制策略，或结合多视角视觉输入开发感知-控制一体化模型。

背景与挑战

背景概述

eval_act_int8数据集作为机器人学习领域的重要资源，由HuggingFace的LeRobot项目团队构建，旨在推动机器人动作评估与智能控制算法的研究。该数据集聚焦于六自由度机械臂的精细化操作任务，通过集成多视角视觉观测与关节状态数据，为模仿学习与强化学习模型提供高质量的训练样本。其设计体现了当前机器人学研究对真实世界交互数据的需求，通过标准化数据格式与开源协议促进学术共享。

当前挑战

该数据集需解决机器人动作精度评估中的动态环境适应性与多模态数据对齐问题，例如从异构传感器数据中提取有效特征以指导机械臂轨迹规划。构建过程中面临多源数据同步采集的技术难点，包括笔记本电脑与手机摄像头视频流的时间戳校准，以及高维动作空间下数据标注的一致性保障。此外，大规模视频数据的压缩存储与实时读取效率亦是关键挑战。

常用场景

经典使用场景

在机器人控制领域，eval_act_int8数据集为模仿学习算法的验证提供了关键支持。该数据集通过记录SO100型机械臂的关节角度动作和多视角视觉观测数据，构建了完整的机器人操作轨迹序列。研究人员能够利用这些时序数据训练行为克隆模型，评估策略网络在真实环境中的泛化能力，尤其适用于验证低精度动作表示对控制性能的影响。

解决学术问题

该数据集有效解决了机器人控制中动作表示精度与计算效率的平衡问题。通过提供标准化的六自由度机械臂动作序列与同步视觉观测，为量化分析INT8量化对连续控制任务的影响建立了基准。其多模态数据结构促进了感知-动作耦合机制的研究，填补了低精度控制策略评估数据集的空白，推动了轻量化机器人部署技术的发展。

衍生相关工作

基于该数据集的特性，衍生出多项机器人学习领域的重要研究。LeRobot框架利用其进行模仿学习算法的基准测试，推动了行为克隆模型的标准化评估。部分工作聚焦于多模态表征学习，通过联合优化视觉观测与动作序列的嵌入空间，提升了策略网络的跨任务迁移能力。这些研究为后续的实时机器人控制算法开发奠定了数据基础。