G1_WBT_Brainco_Collect_Plates_Into_Dishwasher

该数据集是一个机器人学相关的数据集，主要用于机器人控制和状态监测任务。数据集包含机器人末端执行器状态、手部状态和机器人配置的详细观测数据，以及相应的动作指令。具体包括：

1. **观测数据**：
- `observation.state.ee_state`（12维）：通过正向动力学计算的机器人末端执行器状态，包括左右末端执行器的位姿。
- `observation.state.hand_state`（12维或2维）：手部状态，具体维度取决于手部类型（Inspire Hand、BrainCo Hand或Dex1 Hand），包括手指的开合状态和拇指的侧倾状态。
- `observation.state.robot_q_current`（36维）：当前机器人配置，包括根位置（x, y, z）、根方向（四元数表示）和关节位置。

2. **动作数据**：
- `action.ee_action`（12维）：目标末端执行器状态。
- `action.hand_cmd`（12维或2维）：手部动作指令，具体维度与手部类型相关。
- `action.robot_q_desired`（36维）：目标机器人配置。

数据集以Parquet文件格式存储，适用于机器人控制、状态监测和动作规划等任务。数据集使用Apache-2.0许可证发布，并通过LeRobot框架创建。

搜集汇总

数据集介绍

构建方式

在机器人操作领域，高质量的数据集对于推动灵巧操控算法的进步至关重要。G1_WBT_Brainco_Collect_Plates_Into_Dishwasher数据集依托LeRobot框架构建，其核心在于记录双手机器人执行“将盘子放入洗碗机”这一日常任务的完整交互序列。数据采集过程系统性地捕获了机器人的多模态状态信息，包括通过正向运动学计算得到的末端执行器位姿、多种灵巧手的手指状态以及机器人的整体关节配置。这些观测数据与对应的目标动作指令成对存储，共同构成了用于模仿学习或强化学习的轨迹样本。

特点

该数据集的一个显著特点是其详尽的状态与动作表征，能够支持对复杂双手操作任务的深度建模。观测部分不仅提供了末端执行器的六维位姿，还细致区分了Inspire、BrainCo和Dex1三种不同类型灵巧手的异构手指状态，其数值范围与物理含义均根据具体手型进行了精确界定。动作空间的设计与观测空间严格对应，确保了控制指令的可执行性。数据集以Parquet格式高效存储，结构清晰，便于研究者直接提取用于训练机器人策略的（状态，动作）对。

使用方法

研究者可利用该数据集训练端到端的机器人策略模型，学习从多维度观测状态到精确动作指令的映射关系。典型的使用流程包括通过HuggingFace平台加载数据，解析`observation`中的状态向量（如末端状态、手部状态、关节角度）作为模型输入，并将对应的`action`向量（如目标末端状态、手部命令、目标关节角度）作为监督信号。由于数据集兼容多种手型，用户需根据实际使用的机器人硬件选择相应的状态与动作维度。该数据集为在仿真或真实世界中复现和泛化此类桌面整理任务提供了宝贵的示范数据。

背景与挑战

背景概述

在机器人操作领域，灵巧双手的协同控制是实现复杂任务的关键技术。G1_WBT_Brainco_Collect_Plates_Into_Dishwasher数据集由HuggingFace的LeRobot框架支持构建，专注于收集双手机器人执行餐具整理任务的真实交互数据。该数据集旨在通过记录末端执行器状态、多种灵巧手的手指状态以及机器人整体构型，为模仿学习与强化学习算法提供高质量的训练资源。其核心研究问题在于解决多自由度双臂协调与精细物体操控的泛化能力，推动家庭服务机器人自主执行日常整理任务的技术发展。

当前挑战

该数据集致力于解决机器人领域中双臂协同操作与灵巧手精细控制的挑战，尤其在非结构化家庭环境中处理易碎、形状规则物体的抓取与放置任务。构建过程中的挑战包括：多模态传感器数据的精确同步与校准，确保末端执行器、关节与手指状态的一致性；适应不同灵巧手型号（如Inspire Hand、BrainCo Hand、Dex1 Hand）的异构动作空间表示，需统一数据格式以支持算法泛化；以及在真实物理仿真中采集长时序、高维度的连续动作-状态轨迹，避免数据偏差并保证任务完成的可靠性。

常用场景

经典使用场景

在机器人操作与灵巧控制领域，G1_WBT_Brainco_Collect_Plates_Into_Dishwasher数据集为双臂机器人执行复杂家务任务提供了标准化的行为轨迹。该数据集通过记录机器人将餐盘收集并放入洗碗机的完整过程，捕捉了末端执行器状态、手部精细动作以及全身关节配置的时序数据。这些数据为模仿学习与强化学习算法提供了高质量的示范，使得机器人能够学习在非结构化家庭环境中完成多步骤、需协调的操作序列。

衍生相关工作

基于此数据集衍生的经典工作主要集中在机器人行为克隆与离线强化学习领域。研究者利用其提供的多模态状态-动作轨迹，开发了能够处理高维观察空间的动作预测模型，并探索了基于Transformer的序列建模方法在机器人控制中的应用。此外，该数据集也常被用于评估不同模仿学习算法在长视野、多任务操作上的性能，催生了一系列关于策略表示、数据效率以及泛化能力的研究。

数据集最近研究

最新研究方向

在机器人操作领域，灵巧手控与全身协调运动正成为前沿探索的核心议题。G1_WBT_Brainco_Collect_Plates_Into_Dishwasher数据集以其多模态状态-动作对的精细结构，为模仿学习与强化学习算法提供了丰富的训练素材。当前研究聚焦于利用此类数据推动端到端策略的泛化能力，特别是在非结构化家庭环境中处理复杂抓取与放置任务。结合LeRobot框架的开源生态，该数据集促进了跨机构协作，加速了具身智能在现实场景中的落地进程，对服务机器人自主化发展具有深远意义。