test2

该数据集是一个关于机器人的数据集，包含了50个剧集，共34013帧，专注于1个任务。数据集以Apache-2.0许可发布，提供了包括机器人关节角度、摄像头图像等多种特征。数据集分为训练集，没有提供测试集或验证集的信息。

原始信息汇总

数据集概述

基本信息

• 许可证: apache-2.0
• 任务类别: 机器人技术
• 创建工具: LeRobot (https://github.com/huggingface/lerobot)

数据集规模

• 总情节数: 50
• 总帧数: 34013
• 总任务数: 1
• 数据切分: 训练集 (0:50)

技术规格

• 帧率: 30 FPS
• 数据块大小: 1000
• 数据文件大小: 100 MB
• 视频文件大小: 500 MB
• 代码库版本: v3.0
• 机器人类型: Unitree_G1_Inspire

数据结构

数据特征

• observation.state:

  • 数据类型: float32
  • 形状: [26]
  • 关节状态: 包含左右肩部、肘部、腕部和手部26个关节参数

• action:

  • 数据类型: float32
  • 形状: [26]
  • 动作控制: 包含左右肩部、肘部、腕部和手部26个关节控制参数

• 图像观测:

  • cam_left_high: 480×640×3 RGB视频，AV1编码
  • cam_left_wrist: 480×640×3 RGB视频，AV1编码
  • cam_right_wrist: 480×640×3 RGB视频，AV1编码

• 索引信息:

  • timestamp: 时间戳 (float32)
  • frame_index: 帧索引 (int64)
  • episode_index: 情节索引 (int64)
  • index: 数据索引 (int64)
  • task_index: 任务索引 (int64)

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

引用信息

• 主页: [More Information Needed]
• 论文: [More Information Needed]
• BibTeX引用: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，数据集的构建方式对算法性能具有决定性影响。test2数据集依托LeRobot框架，采用Unitree_G1_Inspire机器人平台进行采集，通过分块存储机制将34013帧数据划分为50个完整交互序列。数据以Parquet格式保存，每1000帧构成独立数据块，配合30fps的多视角视频流，完整记录了机器人26维关节状态与动作指令的时序对应关系。

特点

该数据集的核心特征体现在多模态数据融合架构中。观测数据包含三路高清视觉流（左肩、左腕、右腕视角）与26维关节状态向量，动作空间则采用完全对称的控制维度。所有传感器数据均以严格的时间戳对齐，帧索引与回合索引的嵌套结构为强化学习算法提供了完整的马尔可夫决策过程建模基础。数据分布覆盖连续操作任务的全周期状态变化。

使用方法

针对机器人模仿学习的研究需求，该数据集支持端到端的策略训练流程。研究者可通过帧索引系统重构完整任务轨迹，利用观察-动作配对数据训练行为克隆模型。多摄像头视角为视觉运动策略提供丰富特征，而标准化后的关节空间坐标可直接用于控制指令生成。数据集采用Apache 2.0许可，支持学术与商业场景的模型开发与性能评估。

背景与挑战

背景概述

机器人学习领域近年来在模仿学习与强化学习融合方面取得显著进展，test2数据集作为LeRobot项目的重要组成部分，聚焦于双足机器人Unitree_G1_Inspire的精细动作控制研究。该数据集通过整合多视角视觉感知与26维关节状态数据，构建了包含50个完整任务序列的演示库，其34013帧时序数据以30Hz采样频率完整记录了机械臂运动轨迹与手部精细操作过程，为机器人行为克隆与策略泛化研究提供了高维度状态动作空间的基础支撑。

当前挑战

在机器人操作任务领域，test2需解决高维连续动作空间下的策略学习难题，包括多模态传感器数据的时间对齐与状态表征学习。数据构建过程中面临机械臂运动学约束下的轨迹平滑性保障、多摄像头视角的空间标定一致性维护，以及大规模视频数据压缩存储时视觉特征保真度平衡等技术挑战，这些因素直接影响模仿学习算法的训练效率与部署效果。

常用场景

经典使用场景

在机器人学习领域，test2数据集以其丰富的多模态数据为机器人行为模仿提供了典型范例。该数据集记录了Unitree G1 Inspire人形机器人执行任务时的关节状态、动作指令及多视角视觉信息，常被用于训练端到端的机器人控制策略。研究者通过分析26维关节空间轨迹与三路摄像头视频的时序关联，能够构建从感知到动作的映射模型，为机器人复杂操作技能的习得奠定数据基础。

解决学术问题

该数据集有效解决了机器人模仿学习中多模态感知与运动控制协同建模的难题。通过提供同步采集的关节传感器数据与视觉观测序列，它支持研究者探索视觉-动作对应关系、动态系统建模等核心问题。其高维度连续动作空间和长时序任务结构，为验证分层强化学习、行为克隆等算法的泛化性能提供了标准化测试平台，显著推进了具身智能领域的数据驱动研究进程。

衍生相关工作

以该数据集为基础衍生了系列创新研究，包括基于时空注意力机制的行为预测模型、多传感器融合的示教学习框架等。LeRobot生态系统中开发的分布式强化学习算法充分利用其大规模轨迹数据，推动了机器人课程学习技术的发展。相关成果进一步催生了跨模态表示学习、元强化学习等方向的新方法，为开源机器人社区提供了可复现的基准测试体系。