meGirishM/basketball_April_30_3

该数据集是一个机器人控制相关数据集，使用LeRobot创建。包含10个episodes，共18254帧数据，帧率为30fps。数据特征包括：9维动作向量(控制机械臂各关节位置和速度)、9维观测状态(机械臂关节位置和速度)、前视摄像头图像(480x640分辨率)和腕部摄像头图像(640x480分辨率)。数据以parquet格式存储，总数据量约100MB，视频数据约200MB。适用于机器人控制和学习任务。This is a robotics control dataset created using LeRobot. It contains 10 episodes with a total of 18,254 frames at 30fps. The dataset features include: 9-dimensional action vectors (controlling robotic arm joint positions and velocities), 9-dimensional observation states (robotic arm joint positions and velocities), front-view camera images (480x640 resolution) and wrist camera images (640x480 resolution). Data is stored in parquet format with approximately 100MB of data files and 200MB of video files. Suitable for robotics control and learning tasks.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，源自对轮式双臂机器人lekiwi_client的遥操作采集。数据集包含10个完整回合（episode），共计18254帧数据，采样频率为30帧/秒。所有回合均归属于单一任务，并以8:2的比例划分训练集与验证集。数据以Parquet格式存储，同时关联了前视与腕部双视角视频流，分别记录为480×640与640×480分辨率的AV1编码视频。数据集还配备了元信息文件info.json，详细说明了特征结构、视频路径及数据分块方式，便于进行高效加载与复现。

特点

该数据集最显著的特点在于其高维度动作与状态空间的对齐设计。动作与观测状态均包含9维向量，涵盖5个手臂关节位置及底盘的三自由度速度指令，体现了双臂在移动平台上的协调控制逻辑。此外，数据集融合了视觉与本体感知双重模态，前视与腕部摄像头为模仿学习提供了丰富的环境与操作细节。每个回合均附带时间戳与帧索引，便于进行时序建模与轨迹对齐，为机器人技能学习提供了精准的数据基础。

使用方法

数据集可通过LeRobot库中的数据集加载器进行访问，利用其标准化接口读取Parquet格式的时序数据与关联视频。研究者在训练模仿学习或强化学习模型时，可将action字段作为智能体输出目标，observation.state与双视角图像作为模型输入。数据集规模约为300 MB，适合在单GPU工作站上进行快速迭代实验。建议将数据划分为回合级别进行批处理，并利用时间戳与帧索引对齐动作与观测序列，以实现端到端的运动策略学习。

背景与挑战

背景概述

该数据集由LeRobot社区创建，依托Hugging Face平台于近期发布，主要研究人员与机构尚未明确公开，但其核心研究问题聚焦于机器人操作技能的模仿学习，特别是通过低成本机械臂平台实现精细动作的捕捉与复现。数据集记录了10个完整episode、共计18254帧的高频数据，包含9维动作与状态信息以及前视、腕部双视角视频流，为端到端的机器人控制策略训练提供了标准化基准。作为LeRobot生态体系中的一环，该数据集推动了开源机器人学从仿真环境向真实物理世界应用的迁移，对低门槛机器人数据采集与算法验证具有示范性意义，为后续多任务、多场景的跨域泛化研究奠定了数据基础。

当前挑战

该数据集所解决的领域挑战主要在于机器人操作中高精度动作与视觉感知的同步对齐问题，尤其是面对非结构化动态环境时，如何从有限示范中泛化出鲁棒的控制策略。在构建过程中，挑战体现在多模态数据的高频采集与压缩存储上：30帧每秒的双视频流（AV1编码）与9维状态动作数据需在200MB视频和100MB Parquet文件中保证时间戳一致性与帧率稳定性；同时，以10个episode的规模（18254帧）平衡了数据采集成本与模型训练的有效性，避免过拟合于单一任务。此外，数据集需处理机械臂动态运动中的遮挡、光照变化及传感器噪声，确保高质量示范样本的完整性。

常用场景

经典使用场景

在机器人学习与操控领域，basketball_April_30_3数据集为模仿学习和行为克隆提供了宝贵的训练资源。该数据集记录了Lekiwi机械臂执行投篮动作的完整轨迹，包含10个片段、超过18000帧的高频数据，以30帧/秒的速率采集了关节角度、末端执行器位姿与速度等状态信息，并同步提供前视和腕部双视角视觉影像。研究者可利用这些数据训练策略网络，使机器人从示例中习得精准的物体操控与投掷技能，尤其适合探索基于视觉的端到端控制范式。

解决学术问题

该数据集的核心学术贡献在于为机器人精细操控与动态任务学习提供了标准化基准。传统强化学习在奖励函数设计上存在困难，而该数据集通过高质量的人类演示轨迹，使研究者能够聚焦于模仿学习算法（如行为克隆、逆强化学习）的改进。它解决了从高维视觉输入到连续动作空间映射的难题，推动了对泛化能力、数据效率以及多模态融合（视觉与触觉）的研究。这一基准的建立，深化了学界对机器人如何从有限演示中提炼通用运动模式的认知。

衍生相关工作

基于该数据集，衍生出一系列开创性研究工作。一方面，研究者开发了基于分块时间序列的动作预测模型，利用Parquet格式的高效存储特性，实现大规模轨迹的实时并行处理；另一方面，结合LeRobot框架，涌现出多种对比学习与元学习架构，旨在从有限样本中提取姿态-速度耦合特征。这些工作不仅提升了策略在未见过初始位姿下的鲁棒性，还催生了跨机器人平台的通用动作表示方法，为构建可迁移的机器人基础模型奠定了数据与算法基础。