ur5e_bt_rtde_10MA_scale_18.7_14.5

该数据集是一个机器人学数据集，包含了200个剧集，每个剧集包含多个视频和帧，总共49277帧。数据集使用的是ur5e型号的机器人，并且每个剧集都被分割成一个块，块大小为1000。数据集的特征包括视频帧、机器人状态、动作等信息，其中视频帧为256x256的RGB图像，没有音频。数据集的许可为Apache-2.0。

原始信息汇总

数据集概述

基本信息

• 名称: ur5e_bt_rtde_10MA_scale_18.7_14.5
• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot, u_r5e_dataset, rlds, openx, ur5e

数据集描述

• 创建工具: LeRobot
• 主页: [More Information Needed]
• 论文: [More Information Needed]

数据集结构

• 配置名称: default
• 数据文件: data//.parquet
• 总集数: 200
• 总帧数: 49277
• 总任务数: 1
• 总视频数: 200
• 总块数: 1
• 块大小: 1000
• 帧率: 30 FPS
• 分割:
  • 训练集: 0:200

数据特征

• 观察数据:
  • 图像:
    • 数据类型: 视频
    • 形状: [256, 256, 3]
    • 属性: 高度, 宽度, RGB
    • 视频信息:
      • 高度: 256
      • 宽度: 256
      • 编解码器: av1
      • 像素格式: yuv420p
      • 是否为深度图: false
      • 帧率: 30
      • 通道数: 3
      • 是否包含音频: false
  • 状态:
    • 数据类型: float32
    • 形状: [8]
    • 电机名称: shoulder_pan_joint, shoulder_lift_joint, elbow_joint, wrist_1_joint, wrist_2_joint, wrist_3_joint, gripper_prismatic_left, gripper_prismatic_right
• 动作:
  • 数据类型: float32
  • 形状: [7]
  • 电机名称: x, y, z, roll, pitch, yaw, gripper
• 其他特征:
  • 时间戳: float32, 形状 [1]
  • 帧索引: int64, 形状 [1]
  • 集索引: int64, 形状 [1]
  • 索引: int64, 形状 [1]
  • 任务索引: int64, 形状 [1]

引用

• BibTeX: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术研究领域，ur5e_bt_rtde_10MA_scale_18.7_14.5数据集通过LeRobot框架精心构建，采用UR5e机械臂平台进行数据采集。该数据集包含200个完整情节，总计49277帧数据，以30帧每秒的速率记录。数据以分块形式存储于Parquet格式文件中，每个分块容量为1000个情节，确保了数据的高效组织与访问。

特点

该数据集具备多维度的观测与动作特征，其中图像观测以256x256分辨率的RGB视频形式呈现，采用AV1编解码器压缩。状态观测涵盖8个浮点型关节数据，包括六个关节角度及两个夹爪位置。动作空间则定义为7维连续向量，对应末端执行器的空间位姿与夹爪控制。时间戳与索引信息为时序分析提供了坚实基础。

使用方法

研究者可通过加载Parquet数据文件直接获取结构化观测-动作对，利用帧索引实现时序对齐。视频数据独立存储于MP4格式文件中，支持可视化分析与模型训练验证。该数据集遵循RLDS标准格式，兼容主流强化学习框架，适用于模仿学习、行为克隆及机器人策略学习等研究场景。

背景与挑战

背景概述

在机器人学习领域，真实世界数据集的构建对于推动机器人控制算法的实际应用具有关键意义。ur5e_bt_rtde_10MA_scale_18.7_14.5数据集由LeRobot团队基于UR5e工业机器人平台开发，专注于记录机器人执行任务时的多模态感知与控制数据。该数据集通过高精度实时数据交换协议采集了49277帧操作数据，包含关节状态、末端执行器动作和视觉观测信息，为机器人模仿学习与强化学习算法提供了丰富的训练素材。其标准化数据格式与大规模任务执行记录，显著促进了机器人操作技能的数据驱动研究方法发展。

当前挑战

该数据集致力于解决工业机器人精细操作任务中的感知-动作映射难题，其核心挑战在于高维连续动作空间下的精确控制与多模态感知融合。构建过程中面临机器人系统实时数据同步的技术瓶颈，需要协调视觉传感器与关节编码器的毫秒级时间对齐。同时，大规模数据采集需克服机械臂长时间运行的稳定性问题，以及多维度数据存储与处理的工程挑战，特别是高清视频流与精确控制信号的并行记录对硬件系统提出了极高要求。

常用场景

经典使用场景

在机器人学习领域，ur5e_bt_rtde_10MA_scale_18.7_14.5数据集为UR5e机械臂的强化学习算法验证提供了标准化实验环境。该数据集通过200个完整操作序列记录机械臂关节状态、末端执行器动作及视觉观测数据，支持研究人员构建从状态感知到动作输出的完整闭环训练流程，特别适用于模仿学习与离线强化学习算法的性能评估。

解决学术问题

该数据集有效解决了机器人控制中高维状态动作空间建模的学术挑战，通过提供精确的时间同步多模态数据（包含256×256像素RGB视频和8维关节状态），支持学者研究视觉-运动协同映射机制。其标准化数据格式显著降低了异构机器人平台的研究门槛，为验证跨域迁移学习、样本效率优化等关键问题提供了可靠基准。

衍生相关工作

基于该数据格式标准，学术界衍生出多项机器人学习创新研究。例如结合时空注意力机制的视觉运动Transformer模型，实现了从像素到关节控制的端到端学习；开发的层次化强化学习框架利用该数据集验证了技能组合的有效性；近期涌现的跨模态表示学习方法，则通过联合嵌入视觉与状态数据提升了策略泛化能力。