HyeonseokE/SO101_teleop_close_drawer_wristfix_60epi

该数据集是一个机器人学习数据集，专门用于关闭抽屉的任务。它包含60个episodes，总计9352帧，帧率为30fps。数据集结构包括动作数据（6个关节位置：肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、观测状态（相同的6个关节位置）、图像观测（来自左腕和顶视图的视频，分辨率为480x640，3通道，编码为h264），以及元数据如时间戳、帧索引、episode索引等。数据以parquet文件格式存储，视频以mp4格式存储。该数据集使用Apache 2.0许可证发布，并基于LeRobot框架创建。This dataset is a robotics learning dataset specifically designed for the task of closing a drawer. It contains 60 episodes with a total of 9352 frames at a frame rate of 30fps. The dataset structure includes action data (6 joint positions: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper position), observation state (the same 6 joint positions), image observations (videos from left wrist and top view with a resolution of 480x640, 3 channels, encoded as h264), and metadata such as timestamp, frame index, episode index, etc. The data is stored in parquet file format, and videos are stored in mp4 format. The dataset is released under the Apache 2.0 license and was created using the LeRobot framework.

搜集汇总

数据集介绍

构建方式

在机器人操作技能学习领域，高质量的数据集是驱动仿人机器人从感知到动作映射的关键。SO101_teleop_close_drawer_wristfix_60epi数据集通过遥操作方式构建，机器人类型为so_follower，旨在完成关闭抽屉这一精细操作任务。数据集由60个完整演示片段（episode）组成，共计9352帧数据，采样频率为30帧每秒。数据采集过程中，腕部关节被固定以简化控制难度，从而聚焦于臂部与夹爪的协调运动。原始数据以Parquet格式存储为多个分块文件，每块容量为1000帧，同时对应的视频流以H.264编码的MP4文件保存，覆盖左腕和顶部两个视角，图像分辨率为480×640像素，确保视觉信息丰富且高效。

特点

该数据集的核心特点在于其结构化与多模态特性。所有数据严格遵循LeRobot v3.0规范，特征包括6维动作向量（涵盖肩部、肘部、腕部及夹爪的关节位置）以及对应的观测状态，便于进行模仿学习中的行为克隆建模。视觉模态包含左腕与顶部两个视角的同步视频，提供了操作场景的局部与全局信息，适用于端到端模型训练。数据集中所有60个片段均用于训练，无需拆分验证集，任务唯一且明确。此外，数据文件与视频文件总量约300MB，兼顾了存储效率与样本多样性，为机器人抓取与闭合操作的研究提供了切实的基准。

使用方法

使用此数据集时，推荐基于LeRobot库进行加载与处理。用户可通过指定数据集路径及default配置，利用Parquet文件读取动作、状态及时间戳等结构化字段，同时借助Hugging Face的视觉模块同步解码MP4视频帧，获取左腕与顶视角的连续图像序列。数据已按帧索引与片段索引组织，便于进行滑动窗口采样或构建时间序列模型。在训练过程中，可将6维动作向量作为监督信号，结合图像与状态观测，应用于行为克隆或强化学习的策略学习框架中。详细的元数据信息可通过meta/info.json文件查阅，以确保实验配置的一致性。

背景与挑战

背景概述

该数据集由HyeonseokE等人基于LeRobot框架创建，核心研究问题聚焦于机器人精细操作任务的模仿学习，特别是抽屉关闭这一日常家居动作。数据集包含60个演示片段，共9352帧，由“so_follower”型机器人通过遥操作采集，并固定了手腕位姿以简化学习难度。作为机器人学习领域的基础资源，它为研究动作策略泛化、视觉-运动控制耦合等问题提供了标准化数据源，对推动服务机器人自主操作能力的发展具有重要参考价值。

当前挑战

数据集首要解决的领域挑战是机器人从视觉观测中学习高精度闭合控制策略，尤其面对抽屉导轨阻力变化、摩擦不均匀等物理不确定性，需从有限数据中提取鲁棒的关节轨迹规划。构建过程中，遥操作面临示教一致性难题——操作者需在固定手腕构型下保持末端轨迹平滑，同时同步采集6维动作信号与双视角视频（左腕、顶视），这要求硬件同步精度与数据标注可靠性达到严格标准，避免因传感器延迟或位姿偏移导致模仿学习性能退化。

常用场景

经典使用场景

在机器人学习与模仿学习领域，SO101_teleop_close_drawer_wristfix_60epi数据集为研究机械臂操作任务提供了高保真的遥操作数据资源。该数据集专注于“关闭抽屉”这一精细操作场景，通过固定腕部姿态的设计，捕捉了60个演示回合中机械臂的关节角度序列与多视角视觉信息。研究者可借此训练端到端的策略模型，利用演示数据中的动作轨迹与状态观测，学习从视觉输入到关节控制的映射关系，从而验证模仿学习算法在封闭环境下的泛化能力与操作稳定性。

衍生相关工作

基于该数据集衍生的经典工作主要集中在跨任务知识迁移与多视角融合策略领域。研究者利用其标准化的动作-状态-视觉三元组，开发了适用于少样本学习的元模仿学习网络，以及基于注意力机制的时序差分模型。此外，该数据集催生了针对固定腕部约束的动态运动基元分解方法，通过解析重复演示中的运动主成分，提升了策略在初始条件扰动下的适应性。这些工作不仅丰富了机器人技能学习的理论体系，也为后续构建更复杂的多任务操作数据集提供了基线参照。

数据集最近研究

最新研究方向

在具身智能与机器人操作领域，SO101_teleop_close_drawer_wristfix_60epi数据集聚焦于闭合抽屉这一精细操作任务，通过固定腕部姿态的遥操作演示收集了60个示范片段，涵盖约9352帧视觉与状态数据。当前前沿研究正利用此类高保真、任务导向的数据集，结合模仿学习与行为克隆算法，推动机器人从预设编程向数据驱动的泛化能力跃升。该数据集的双视角视觉输入（左腕与俯视）与六维关节动作空间，为细粒度操控技能的学习提供了丰富特征，尤其契合近期多模态融合与端到端策略研究的热潮。其开源特性及Apache-2.0许可加速了学术与产业界在低样本、高精度操作任务中的协作探索，为后续构建大规模、多任务机器人基础模型奠定了数据基石。