ledrone_pybullet_circle

ledrone_pybullet_circle 是一个基于目标条件、状态驱动的模仿学习数据集，用于四旋翼无人机执行圆形轨迹跟踪任务。该数据集在PyBullet刚体物理仿真环境中生成，采用特权分析专家控制器（仅基于状态信息）提供演示。数据集包含200个片段，共80,000帧数据（每片段400帧，以30Hz采样，相当于13.3秒）。每个帧配对无人机的全本体感知状态和相对目标，以及专家的速度与偏航率指令，适用于训练目标条件控制策略（如Diffusion Policy、ACT等）。数据集还提供可选的第一人称视角（FPV）相机图像流作为辅助输入（96×96 RGB，AV1编码），但任务本身仅从状态信息即可解决。数据特征包括：observation.state（13维浮点数，包含位置、速度、姿态四元数、机体角速率）、observation.environment_state（3维浮点数，表示目标相对于当前位置的误差）、action（4维浮点数，表示NED速度与偏航率指令）。数据集使用LeRobot v3.0格式，所有片段均用于训练，需用户自行划分评估集。生成过程包括随机化起始点和目标、添加速度噪声、并通过收敛门确保专家成功跟踪目标。预期用途是训练或评估基于状态的目标条件模仿策略，但存在限制：仅仿真环境、无失败或恢复演示、专家为平滑分析控制器、FPV图像中目标出现频率低（约12%），不适合作为主要视觉任务信号。ledrone_pybullet_circle is a goal-conditioned, state-driven imitation learning dataset designed for quadrotor drones to execute circular trajectory tracking tasks. This dataset is generated in the PyBullet rigid-body physics simulation environment, using privileged analytical expert controllers (solely relying on state information) to produce demonstration trajectories. The dataset contains 200 episodes, totaling 80,000 frames (400 frames per episode, sampled at 30 Hz, equivalent to 13.3 seconds per episode). Each frame pairs the drone's full proprioceptive state and relative target information, along with the expert's velocity and yaw rate commands, and is suitable for training goal-conditioned control policies such as Diffusion Policy, ACT, etc. The dataset also provides an optional first-person view (FPV) camera image stream as auxiliary input (96×96 RGB, AV1-encoded), though the task can be solved solely using state information. The dataset features include: observation.state (13-dimensional floating-point array, containing position, velocity, attitude quaternion, and body angular rates), observation.environment_state (3-dimensional floating-point array, representing the error of the target relative to the current position), and action (4-dimensional floating-point array, representing NED velocity and yaw rate commands). The dataset uses the LeRobot v3.0 format, and all episodes are intended for training; users need to split the evaluation set independently. The generation process includes randomizing start points and target positions, adding velocity noise, and ensuring the expert successfully tracks the target via a convergence gate. Its intended use is to train or evaluate state-based goal-conditioned imitation policies, but there are limitations: it is only applicable to simulation environments, there are no failure or recovery demonstrations, the expert is a smooth analytical controller, and the target appears infrequently in FPV images (approximately 12%), making it unsuitable as the primary visual task signal.

原始信息汇总

数据集概述

数据集名称: ledrone_pybullet_circle

任务: 四旋翼飞行器（quadrotor）执行跟踪水平圆形轨迹（circle）的任务。

数据集类型: 目标条件（goal-conditioned）、基于状态（state-based）的模仿学习数据集。第一人称视角（FPV）相机图像作为可选的辅助输入流。

关键统计信息

项目	数值
总片段数	300
总帧数	120,000
每片段帧数	400
采样时长	13.3秒（30 Hz）
机器人类型	ledrone（四旋翼）
物理引擎	PyBullet 刚体动力学
专家策略	特权分析PD + 参考速度前馈 + 航向控制
动作空间	NED速度 + 偏航角速率
数据格式	LeRobot v3.0

数据特征

特征名称	数据类型	形状	描述
observation.state	float32	(13,)	位置（北/东/下）、速度（北/东/下）、姿态四元数（w/x/y/z）、FRD机体角速率（x/y/z）
observation.environment_state	float32	(3,)	相对于当前位置的目标误差：err_n, err_e, err_d
action	float32	(4,)	控制指令：vx, vy, vz, yaw_rate
observation.images.fpv	video	(96, 96, 3)	前向FPV相机图像（AV1编码，可选辅助输入）

数据集生成方法

• 使用特权分析状态专家（PD + 参考速度前馈）在PyBullet后端上生成。
• 采用DART风格覆盖：专家指令添加噪声（速度通道σ=0.15 m/s），但每帧都标记有干净的专家指令，以缓解行为克隆的协变量偏移。
• 转换速率受限的设定点：从静止状态开始逐渐增加指令，抑制启动瞬态。
• 每集随机化起始位置和目标，目标存储为相对于当前位置的向量。
• 仅当专家成功到达/跟踪目标后，片段才被接受。

预期用途与限制

• 预期用途: 基于状态的目标条件模仿学习，用于四旋翼的圆形轨迹跟踪任务。
• 状态为主，非视觉运动: 任务仅通过observation.state和observation.environment_state即可解决；FPV图像中的目标标记仅出现在约12%的帧中。
• DART覆盖但无硬故障: 虽然包含噪声以提供离分布恢复标签，但数据中不包含坠毁、大扰动或失败演示。
• 仅限仿真: 数据基于PyBullet/gym-pybullet-drones模拟环境生成，FPV场景为合成的基准场景。

许可证与引用

• 许可证: Apache-2.0
• 引用: 请引用ledrone项目。