eval_real-run1

该数据集由LeRobot创建，主要面向机器人技术领域，采用Apache-2.0许可证。数据以parquet格式存储，包含动作数据（6个浮点型关节位置）、观察状态（6个浮点型关节位置）、两个摄像头视角的图像数据（480x640x3的视频帧）、时间戳、帧索引、回合索引等元数据。图像数据分别来自正面和腕部摄像头。数据存储以1000个样本为块单位，总数据文件大小约100MB，视频文件约200MB，帧率为30fps。数据集适用于机器人控制、行为克隆等任务。

原始信息汇总

数据集概述

• 数据集名称: eval_real-run1
• 提供者: Korbimeier
• 许可证: Apache-2.0
• 任务类别: 机器人学 (Robotics)
• 技术标签: LeRobot

数据集创建

该数据集使用 LeRobot 框架创建。

数据集结构

基本信息

属性	值
代码库版本	v3.0
机器人类型	so_follower
总片段数	0
总帧数	0
总任务数	0
分块大小	1000
数据文件大小	100 MB
视频文件大小	200 MB
帧率 (fps)	30

数据文件路径

• 数据文件: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

特征 (Features)

特征名称	数据类型	形状	说明
action	float32	[6]	包含 shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
observation.state	float32	[6]	包含 shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
observation.images.front	video	[480, 640, 3]	前置摄像头图像，高度480、宽度640、3通道
observation.images.wrist	video	[480, 640, 3]	腕部摄像头图像，高度480、宽度640、3通道
timestamp	float32	[1]	时间戳
frame_index	int64	[1]	帧索引
episode_index	int64	[1]	片段索引
index	int64	[1]	索引
task_index	int64	[1]	任务索引

引用信息

暂无提供 BibTeX 引用信息。

搜集汇总

数据集介绍

构建方式

eval_real-run1数据集基于LeRobot框架构建，旨在为机器人操作任务提供标准化的训练与评估数据。该数据集通过真实机器人平台采集，采用so_follower作为机器人类型，以30帧每秒的频率记录操作过程中的状态与视觉信息。数据存储采用分块结构，每个数据块包含多个parquet文件和mp4视频文件，其中parquet文件存储动作和状态数据，视频文件则保留高分辨率图像序列。数据集中每个样本包含六维动作指令（如肩部、肘部、腕部等关节位置）以及对应的观测状态，并辅以时间戳、帧索引和episode索引等元数据，便于后续时序建模与任务分配。

特点

该数据集的核心特点在于其多模态与结构化设计：动作与状态数据均以32位浮点数记录，确保精度；视觉信息包含前视与腕部两个视角的480×640彩色视频，为模仿学习提供丰富的环境感知维度。数据集的元信息中明确了分块大小（1000帧/块）与文件存储路径，有利于大规模数据的分布式加载与流式处理。尽管总episode数和帧数在说明中暂未定义，但开放式的特征结构允许用户根据实际任务动态扩展，适应多种机器人控制场景。此外，采用Apache-2.0许可协议，保证了数据集的可复现性与合规使用。

使用方法

用户可通过HuggingFace平台直接访问数据集，并利用LeRobot工具库进行加载与可视化。数据集配合LeRobot的标准化接口，能够快速导入深度学习流水线，用于训练基于视觉的模仿学习或强化学习策略。使用过程中，建议将视频数据与运动序列对齐，以捕捉时间相关性。数据集还提供了HuggingFace Spaces的交互式预览功能，用户无需下载即可直观检查样本质量。对于需要自定义训练集的场景，可依据特征字段（如action、observation.state）对数据进行切片、筛选或合成多episode的批处理，从而适配不同的机器人学习算法。

背景与挑战

背景概述

eval_real-run1数据集由Korbimeier基于LeRobot框架创建，采用Apache-2.0许可证，主要服务于机器人操作领域的研究。该数据集聚焦于“so_follower”型机器人，通过采集真实环境中的多模态数据，包括6维关节角度动作、状态信息以及前置和腕部摄像头的高清视频流（480×640分辨率，30帧/秒），旨在为模仿学习与机器人技能获取提供标准化训练样本。作为LeRobot生态的一部分，该数据集填补了真实机器人操作数据在公开基准中的空白，推动了从仿真到现实迁移的研究进展，为机器人通过演示学习复杂任务奠定了数据基础。

当前挑战

该数据集所解决的核心领域问题在于，机器人操作任务中高质量、多模态真实世界数据的稀缺性，这限制了模仿学习算法在非结构化环境中的泛化能力。构建过程中面临的挑战包括：1) 机器人硬件标定与传感器同步，确保6维关节动作与双视角视频流的时间对齐精度；2) 数据采集的规模与多样性不足，元信息显示总片段数和帧数为零，暗示数据集尚处于初步构建阶段，缺乏覆盖多任务、多场景的样本；3) 高维视频数据（480×640×3）的存储与处理效率，以及如何从有限演示中提取鲁棒的策略表示以避免过拟合。

常用场景

经典使用场景

在机器人学习领域，eval_real-run1数据集专为模仿学习与行为克隆研究而设计。该数据集通过真实机器人平台采集，包含6自由度关节动作序列以及前向与腕部摄像头的高清视觉观测，为从专家演示中学习复杂操作技能提供了标准化的训练与评估基准。其经典使用方式在于，研究者可依据时间戳对齐的状态-动作对与多视角图像流，训练端到端的策略网络，从而让机器人复现诸如抓取、装配等精细操作任务。

解决学术问题

该数据集核心解决了真实场景下机器人学习面临的两大挑战：数据稀缺性与环境泛化性。通过提供结构化的录播演示数据，它使学术社区能够系统性地研究如何利用少量专家示例高效训练鲁棒策略，尤其针对高维视觉-运动耦合问题。此外，eval_real-run1推动了对离线策略评估、跨任务迁移学习及因果推理在机器人操作中应用的探索，对于理解模仿学习中的表征解耦与域适应机制具有重要学术价值。

衍生相关工作

基于eval_real-run1的范式，衍生了一系列重要的研究进展：其一，提出了融合时间序列预测与视觉特征注意力的行为克隆变体（如Action Chunking with Transformers），显著提升了长时程操作的成功率；其二，催生了面向多任务演示学习的元学习方法，使机器人能快速适应未见过的物体或布局；此外，该数据集还被用于验证模仿学习中的因果推断技术，以及开发面向多机器人系统的协同演示采集协议，这些工作共同推动了具身智能从受控实验室迈向开放环境。