eval_so101

该数据集是一个使用LeRobot创建的机器人数据集，包含了机器人的动作、状态、图像等信息。具体包括肩部、肘部、手腕和夹爪的位置信息，以及顶部和手腕的图像信息。数据集以Parquet格式存储，并配有视频文件。未提供详细的数据集描述。

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: 机器人学
• 标签: LeRobot
• 创建工具: LeRobot (https://github.com/huggingface/lerobot)

数据集结构

配置信息

• 配置名称: default
• 数据文件: data//.parquet

元数据信息

• 代码库版本: v3.0
• 机器人类型: so101_follower
• 数据块大小: 1000
• 数据文件大小: 100 MB
• 视频文件大小: 500 MB
• 帧率: 30 FPS

数据特征

• 动作特征:

  • 数据类型: float32
  • 维度: [6]
  • 包含关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• 观测状态:

  • 数据类型: float32
  • 维度: [6]
  • 包含关节位置: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos

• 图像观测:

  • 顶部摄像头:
    • 数据类型: video
    • 图像尺寸: [480, 640, 3]
    • 维度说明: height, width, channels
  • 腕部摄像头:
    • 数据类型: video
    • 图像尺寸: [480, 640, 3]
    • 维度说明: height, width, channels

• 索引特征:

  • 时间戳: float32, 维度[1]
  • 帧索引: int64, 维度[1]
  • 回合索引: int64, 维度[1]
  • 数据索引: int64, 维度[1]
  • 任务索引: int64, 维度[1]

文件路径格式

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

缺失信息

• 主页: 待补充
• 论文: 待补充
• 引用格式: 待补充
• 统计信息: 总回合数、总帧数、总任务数均为0

搜集汇总

数据集介绍

构建方式

在机器人技术领域，eval_so101数据集依托LeRobot开源框架构建，采用模块化数据采集策略。数据集以Apache-2.0许可发布，通过分布式存储结构将机器人交互数据封装于parquet格式文件中，每1000帧构成独立数据块，完整记录SO101型跟随机器人的多模态运动轨迹。数据采集过程严格遵循时序同步原则，以30帧/秒的采样频率同步记录关节状态与视觉信息，形成结构化机器人行为档案。

特点

该数据集呈现多维异构特征，涵盖六自由度机械臂的关节位置控制指令与实时状态反馈，包含肩部平移、肩部抬升、肘部弯曲等完整运动链数据。视觉维度集成顶部与腕部双视角RGB视频流，以480×640分辨率三维张量呈现环境交互场景。时序索引系统通过帧序号、回合编号与时间戳构成四维坐标体系，为连续动作分解与状态转移分析提供精确时空参照。

使用方法

研究人员可通过解析parquet数据文件中的特征字典获取结构化机器人交互记录，利用observation字段重建机器人状态空间，action字段解析控制指令序列。视觉数据可通过视频路径模板还原多角度动态场景，结合帧索引实现感知-动作对齐分析。该数据集适用于模仿学习、强化学习等算法验证，支持端到端机器人策略训练与行为克隆研究。

背景与挑战

背景概述

eval_so101数据集作为机器人技术领域的重要资源，由LeRobot研究团队基于Apache 2.0开源协议构建，专注于多模态机器人控制任务的实证研究。该数据集通过整合so101_follower型机器人的关节位置控制、视觉感知与时间序列数据，为模仿学习与强化学习算法提供了结构化训练基础。其设计融合了顶部视角与腕部视角的双目视觉输入，配合六自由度机械臂的动作轨迹记录，显著推进了机器人自主决策系统的可复现性研究。

当前挑战

该数据集需应对机器人动作规划中高维连续控制空间的建模难题，尤其在多传感器数据对齐与动态环境适应性方面存在显著挑战。构建过程中面临异构数据流同步的技术瓶颈，包括视觉视频流与关节状态数据的时间戳精确匹配问题。此外，大规模示教数据的采集需要解决机械臂运动轨迹平滑性与任务多样性的平衡，而实时视频数据的存储优化亦成为影响数据集可用性的关键因素。

常用场景

经典使用场景

在机器人学习领域，eval_so101数据集通过记录六自由度机械臂的关节位置与多视角视觉数据，为模仿学习与强化学习算法提供了丰富的训练素材。其包含的肩部平移、肩部抬升、肘部弯曲等完整关节运动轨迹，配合顶部与腕部双视角高清视频流，使研究者能够构建精确的环境状态映射与动作策略模型。该数据集特别适用于机械臂轨迹规划任务的端到端学习，通过时序动作序列与视觉观测的对应关系，推动机器人自主操作能力的发展。

衍生相关工作

以该数据集为基础衍生了多项机器人学习领域的经典研究。LeRobot开源框架通过整合该数据集的并行数据加载机制，构建了高效的离线强化学习训练流程；部分团队利用其多模态特性开发了视觉动作对应模型，实现了从观测图像到关节空间的直接映射。这些工作不仅验证了数据集中时序一致性标注的价值，更催生了基于Transformer的机器人决策架构创新，为后续大规模机器人行为数据集的建设提供了重要范式参考。

数据集最近研究

最新研究方向

在机器人操作学习领域，eval_so101数据集凭借其多模态观测与关节控制特性，正推动模仿学习与视觉运动策略的前沿探索。该数据集集成顶部与腕部双视角视觉流，结合六自由度机械臂动作轨迹，为跨模态表征学习提供结构化实验基础。当前研究聚焦于从演示数据中提取可泛化策略，通过时空对齐的视觉-状态序列优化端到端控制网络，显著提升了复杂环境下机器人动作规划的鲁棒性与样本效率。