arrg-unam/eval_act_omx_Test1004_00

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v2.1",
"robot_type": "omx_follower",
"total_episodes": 50,
"total_frames": 19855,
"total_tasks": 1,
"total_videos": 50,
"total_chunks": 1,
"chunks_size": 1000,
"fps": 30,
"splits": {
"train": "0:50"
},
"data_path": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet",
"video_path": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4",
"features": {
"action": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"observation.state": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"observation.images.front": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

在机器人学领域，高质量的数据集对于算法验证至关重要。eval_act_omx_Test1004_00数据集依托LeRobot平台构建，通过模拟OMX跟随机器人执行任务的过程，系统采集了50个完整的情节数据。每个情节以30帧每秒的速率记录，共计19855帧，数据以分块形式存储于Parquet文件中，确保了高效存取与处理。该构建方法注重时序连贯性与多模态对齐，为机器人动作评估提供了结构化的基准。

特点

该数据集在机器人动作评估领域展现出鲜明的技术特征。其核心在于同步记录了六维关节位置的动作指令与对应的状态观测，并辅以前置摄像头采集的480x640分辨率RGB视频流，形成了动作、状态与视觉感知的多模态对齐。数据以严格的时序索引组织，包含时间戳、帧索引及情节索引等元信息，支持对机器人任务执行过程的细粒度分析。这种设计使得数据集能够精准反映机器人在动态环境中的交互轨迹。

使用方法

为充分发挥该数据集在机器人学习研究中的价值，使用者可借助LeRobot提供的工具链进行数据加载与处理。数据集已预分为训练集，涵盖全部50个情节，可通过标准化的路径模板访问分块存储的Parquet文件及对应的MP4视频。研究人员能够提取关节动作、状态观测及视觉帧序列，用于行为克隆、强化学习或模仿学习等算法的训练与评估。数据集的规范化结构便于集成至现有机器学习流程，加速机器人控制模型的开发与验证。

背景与挑战

背景概述

在机器人学习领域，模仿学习与行为克隆技术正逐步成为实现复杂任务自主执行的关键路径。eval_act_omx_Test1004_00数据集由LeRobot项目团队构建，依托Apache 2.0开源协议发布，专注于六自由度机械臂的轨迹跟踪与动作评估任务。该数据集收录了50条完整操作序列，涵盖近两万帧同步记录的多模态观测数据，包括关节状态、前端视觉图像及精确时间戳，旨在为机器人动作策略的泛化性能提供标准化测试基准。其结构化设计反映了当前机器人学习研究对高质量、可复现实验数据的迫切需求，为算法验证与模型优化奠定了坚实基础。

当前挑战

该数据集致力于解决机器人动作策略在真实场景中的泛化与鲁棒性评估难题，其核心挑战在于如何构建能够全面反映机械臂动态特性与视觉感知交互的测试环境。数据采集过程中需克服多传感器时序同步、高维动作空间连续记录以及视觉数据高效压缩等技术障碍，确保动作指令与观测状态间的一致性。此外，数据集的规模与多样性限制了其在复杂任务迁移学习中的适用性，如何扩展任务范畴并提升场景覆盖度，仍是未来优化的关键方向。

常用场景

经典使用场景

在机器人学领域，eval_act_omx_Test1004_00数据集为模仿学习与行为克隆研究提供了关键支持。该数据集记录了OMX Follower机器人执行跟随任务时的关节位置、图像观测及时间戳信息，其结构化数据格式便于训练端到端的控制策略模型。研究者可利用该数据集评估机器人从视觉输入到动作输出的映射能力，特别是在动态环境中的轨迹跟踪性能，为机器人自主操作奠定基础。

解决学术问题

该数据集主要解决了机器人控制中基于视觉的模仿学习算法验证问题。通过提供同步的多模态观测与动作数据，它支持研究者探究如何从高维图像输入中提取有效特征，并生成精确的关节控制指令。这有助于克服传统控制方法在复杂场景下的泛化瓶颈，推动数据驱动型机器人策略的发展，对提升机器人在非结构化环境中的适应性与鲁棒性具有重要学术意义。

衍生相关工作

围绕该数据集，已衍生出多项关于视觉模仿学习与机器人策略优化的经典研究。例如，结合深度强化学习框架，研究者利用其多模态数据训练了端到端的视觉伺服控制器；另有工作专注于改进时间序列建模，以提升动作预测的连续性与稳定性。这些工作不仅拓展了数据集的利用维度，也为机器人学习领域的算法创新提供了实证基础。