record-test

该数据集由LeRobot项目创建，是一个用于机器人任务的开源数据集，遵循Apache 2.0许可证。数据集包含名为so_follower的机器人执行任务时记录的数据，规模为30个episodes，总计10329帧，对应1个任务。数据以分块形式组织，数据文件总大小约100 MB（.parquet格式），视频文件总大小约200 MB（.mp4格式），视频帧率为30 fps。数据集仅包含训练集。内容包含多模态信息：动作指令（action）和观测状态（observation.state）均为6维浮点向量，分别表示肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪的位置；观测图像（observation.images.front）来自前置摄像头，为分辨率为1080x1920的RGB视频。此外，还包含时间戳、帧索引、episode索引、全局索引和任务索引等元数据字段，便于时序分析和任务划分。适用于机器人模仿学习、强化学习、行为克隆等研究任务，特别是涉及关节控制与视觉感知相结合的场景。

原始信息汇总

数据集概述

数据集名称: record-test
许可证: Apache-2.0
任务类别: 机器人 (Robotics)
标签: LeRobot

数据集来源

• 首页: 待补充
• 论文: 待补充

数据集结构

该数据集基于 LeRobot 框架创建，版本号为 v3.0。

基本信息

属性	数值
机器人类型	so_follower
总片段数	60
总帧数	30092
总任务数	2
块大小	1000
数据文件大小	100 MB
视频文件大小	200 MB
帧率	30 fps

数据划分

• 训练集: 片段 0 到 59

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

特征字段

特征名	数据类型	形状	描述
action	float32	[6]	机器人动作：shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
observation.state	float32	[6]	机器人状态：shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
observation.images.front	video	[1080, 1920, 3]	前置摄像头图像，分辨率 1080x1920，AV1 编码，30 fps
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

BibTeX 引用信息暂缺。

搜集汇总

数据集介绍

构建方式

本数据集基于LeRobot框架构建，旨在为机器人操作任务提供高质量的演示数据。数据通过远程操作（teleoperation）方式采集，由人类操作员控制机械臂完成特定操作任务，并同步记录机器人的状态信息与视觉观测数据。数据集包含60个操作片段（episode），共计约30092帧，涵盖两种不同的操作任务。数据以Parquet格式存储，分为多个块文件（chunk），每个块包含最多1000帧数据。同时，高清视频数据以AV1编码的MP4文件形式独立存储，确保视觉信息的完整性与高效压缩。

特点

该数据集的一大特点在于其结构化与多模态特性。每条数据记录包含机器人的六维动作指令（action）、六维关节状态（observation.state）、以及来自前视摄像头的高清图像（observation.images.front）。此外，数据还附有时间戳、帧索引、片段索引与任务索引等元信息，便于数据检索与序列化处理。数据以30帧/秒的采样频率记录，图像分辨率为1080×1920，为精细操作分析提供了丰富细节。全部60个片段均划归训练集，无测试集划分，旨在支持大规模模仿学习。

使用方法

使用本数据集时，建议通过Hugging Face的`datasets`库加载，结合LeRobot提供的工具链进行数据处理与模型训练。用户可直接从数据集仓库中读取Parquet格式的状态动作数据，并与对应的视频文件对齐。推荐将数据用于模仿学习（Imitation Learning）或行为克隆（Behavior Cloning）场景，通过神经网络映射视觉与状态信息到动作空间。训练时可按帧序列构建时间窗口，合理利用片段索引与时间戳组织数据，同时借助帧索引实现随机采样或滑动窗口批处理，以提升模型对连续操作的理解能力。

背景与挑战

背景概述

随着机器人学习领域的蓬勃发展，数据驱动的模仿学习范式逐渐成为推动灵巧操作技能获取的关键技术。record-test数据集由Hugging Face团队基于LeRobot框架创建，旨在为多任务机器人操作提供标准化的训练与评估基准。该数据集聚焦于so_follower型机器人，包含60个演示片段、逾3万帧高频采样数据，覆盖两个不同操作任务，通过高分辨率视觉观测与六维关节状态同步记录，构建了跨模态的机器人行为学习资源。作为开放协议下的共享数据集，它降低了具身智能研究的入门门槛，为后续大规模机器人数据集的规范与扩展奠定了实践基础。

当前挑战

当前领域面临的核心挑战在于如何从有限的示范数据中泛化至未见的操作场景，该数据集仅包含60个片段，对策略模型的数据效率提出严苛要求。构建过程中，高保真视觉与动作状态的同步采集面临传感器标定与时序对齐的技术困难，而仅有2个任务的设计难以覆盖真实环境中复杂的变体与动态干扰。此外，数据格式虽由LeRobot统一，但缺乏与主流仿真环境的接口兼容性，限制了跨平台迁移能力的验证，且未提供基线模型评测，使得性能对比与进步量化存在障碍。

常用场景

经典使用场景

record-test数据集是面向机器人学习领域的精细化操控数据集，由LeRobot框架构建，包含60个完整轨迹片段和超过3万帧的高频记录。该数据集的核心使用场景在于训练机器人通过模仿学习掌握精准的关节运动策略。借助六维动作空间（肩部、肘部、腕部等自由度）与同步采集的高清视觉图像（1080×1920分辨率，30帧/秒），研究人员能够构建从感知到动作的端到端映射模型。该数据集的经典任务涵盖双臂协作中的跟随操作与精细抓取，其结构化的parquet格式与视频文件便于多模态信息的融合训练，为机器人技能习得提供了标准化的数据基石。

衍生相关工作

record-test数据集作为LeRobot生态的重要组成，衍生出了一系列经典工作与工具链。该数据集推动了模仿学习中的扩散策略（Diffusion Policy）与基于Transformer的决策架构在真实机器人数据上的验证。研究人员常以其为基准测试行为克隆基线（如BC-RNN）与强化学习预训练方法的迁移效果。此外，该数据集催生了视频到动作的逆强化学习模型，以及利用合成数据增强真实轨迹的域适应技术。社区基于此开发了标准化评估指标，如轨迹平滑度与成功率，促进了机器人学习领域论文的可复现性与可比性，成为新手入门与算法迭代的常用平台。

数据集最近研究

最新研究方向

在机器人学习领域，record-test数据集凭借其高保真度、多模态特性及标准化格式，正成为模仿学习与离线强化学习研究的关键资源。该数据集聚焦于六自由度机械臂的精细操控任务，通过记录关节状态、动作轨迹及高清视觉观测（1920×1080分辨率，AV1编码），为构建具身智能体的感知-决策闭环提供了坚实的数据基石。当前前沿方向集中于利用此类数据集训练端到端的策略网络，并结合扩散模型、Transformer架构探索复杂长程操作任务的泛化能力。随着LeRobot生态的成熟，该数据集亦推动了机器人学习领域的开源协作与基准测试标准化，加速了从仿真到真实环境的迁移研究，对弥补仿真与现实间的Sim-to-Real差距具有深远意义。