globcy/libero_dir_90_test

该数据集是一个机器人领域的数据集，使用LeRobot工具创建，专门针对panda机器人。数据集包含1个episode、167帧和1个任务，数据以parquet文件格式存储，视频以mp4格式存储。特征包括两个224x224x3分辨率的图像观察（image和image2）、8维浮点状态观察、7维浮点动作，以及子任务索引、移动索引、时间戳、帧索引、episode索引、索引和任务索引等元数据。数据集的帧率为10fps，总数据文件大小为100MB，视频文件大小为200MB，适用于机器人学习和强化学习任务。This is a robotics dataset created using the LeRobot toolkit, specifically designed for the Panda robot. It contains 1 episode, 167 frames, and 1 task. The tabular data is stored in Parquet file format, while the video recordings are stored in MP4 format. The dataset's features include two image observations with a resolution of 224×224×3 (named image and image2), an 8-dimensional floating-point state observation, a 7-dimensional floating-point action, as well as metadata such as subtask index, movement index, timestamp, frame index, episode index, index, and task index. The dataset has a frame rate of 10 fps, with a total size of 100 MB for the data files and 200 MB for the video files, and is applicable to robotics learning and reinforcement learning tasks.

搜集汇总

数据集介绍

构建方式

libero_dir_90_test数据集基于LeRobot框架构建，源自LibrO机器人任务套件，采用Franka Emika Panda机械臂作为执行平台。该数据集通过遥操作采集单条演示轨迹，包含167帧时序数据，以10帧/秒的采样频率记录。数据以Parquet格式存储，并辅以MP4视频文件，每段轨迹对应一个独立的子任务，构建方式简洁高效，适用于机器人模仿学习场景。

特点

数据集的核心特点在于其精细化的多模态记录结构。每条样本包含两个224x224像素的视觉观测（分别来自不同角度）、8维机器人状态向量（包含关节位置与速度信息）以及7维动作指令。此外，数据还标注了子任务索引与移动索引，便于任务解耦与层级策略学习。整体规模精炼，仅有1个片段和1个任务，专注于定向导航任务，适合作为测试集验证模型性能。

使用方法

使用方法上，用户可通过LeRobot库直接加载该数据集，利用其标准化的API接口访问parquet数据文件与同步视频。推荐采用Hugging Face Spaces中的可视化工具浏览数据，以直观理解任务上下文。在模型训练中，可将观测序列与动作指导作为输入输出对，构建模仿学习或离线强化学习流程。数据集按1000帧分块存储，便于流式读取与内存管理，适合在GPU环境下高效迭代。

背景与挑战

背景概述

libero_dir_90_test数据集是由LeRobot框架创建，专注于机器人操作领域的一个测试数据集。该数据集基于Panda机器人平台，包含单一任务、一个回合和167帧数据，旨在为机器人学习中的方向控制任务提供标准化评估基准。数据集记录了两台摄像头（image和image2）的224×224×3视觉观测信息，以及8维状态向量和7维动作空间，涵盖了机器人操作中视觉-运动控制的核心研究问题。作为libero系列数据集的测试集，其价值在于为机器人策略学习中的泛化性和鲁棒性评估提供可复现的基准，推动机器人从仿真到真实环境的迁移学习研究。该数据集采用Apache-2.0许可协议，通过parquet格式存储结构化数据，并使用mp4格式保存视频，体现了现代机器人数据集构建中高效数据处理与多模态信息融合的趋势。

当前挑战

该数据集所解决的领域问题核心在于机器人方向控制任务的视觉引导策略学习。构建过程中面临两大挑战：第一，数据采集的准确性挑战——如何通过遥控操作精确收集机器人末端执行器的方向变化数据，确保每个动作与对应视觉状态严格对齐，避免时间异步和标定误差；第二，数据多样性与迁移泛化的挑战——单任务、单机器人平台的测试集限制了模型在不同场景下的适应能力，需要设计专门的数据增强和域适应策略来克服这一局限。此外，视觉观测的高分辨率（224×224）与高频控制（10 FPS）之间的计算效率权衡，以及对机器人操作中细微动作差异的鲁棒表征学习，都是该数据集在构建和应用中需要解决的关键技术难题。

常用场景

经典使用场景

在机器人学习领域，libero_dir_90_test数据集作为LIBERO基准的组成部分，专门用于评估多任务操作策略的泛化能力。该数据集通过Panda机械臂在90度方向变化场景中采集的单条轨迹，包含多视角视觉观测、8维状态向量与7维动作指令，为模仿学习和强化学习提供了标准化的测试平台。研究者常将其作为零样本迁移或领域泛化的评估集，验证模型在未见环境配置下的决策鲁棒性。

衍生相关工作

该数据集衍生出多项关键研究，包括面向方向鲁棒性的视觉-运动策略预训练框架、基于注意力机制的方向特征解耦模块，以及用于零样本泛化的对称性数据增强方法。相关工作还扩展到与MT-Opt等其他基准的对比分析，催生了评估泛化能力的标准化协议，如任务成功率随方向变化曲线的绘制与统计方法。

数据集最近研究

最新研究方向

在机器人学习领域，libero_dir_90_test数据集作为LIBERO基准测试的子集，聚焦于方向性操作任务的模仿学习与泛化能力评估。其核心前沿方向包括：利用多视角视觉输入（双224×224图像）与八维状态向量，结合Panda机械臂的高频控制（10Hz），探索基于视觉-动作联合表征的零样本迁移学习。近期热点围绕为大规模预训练策略在任务结构化的长程决策（如单episode 167帧）中的适应性，研究者通过subtask_index与move_index的元信息标注，尝试解构复杂操作的时序依赖，推动机器人从固定轨迹执行向语义驱动的动态规划演进。该数据集以Apache 2.0许可开放，其标准化格式（Parquet+MP4）为跨框架复现提供基础，对可泛化操作策略的基准评测具有里程碑意义。