StyTJU/eval_grab_charger50_new

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "so_follower",
"total_episodes": 2,
"total_frames": 574,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:2"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.front": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.side": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，旨在为机器人操作任务提供标准化训练数据。数据采集自so_follower机器人平台，专注于抓取充电器这一特定任务，共包含2个完整回合（episodes），总计574帧连续观测数据。所有数据以parquet格式存储于分块文件中，视频流则采用AV1编码的MP4格式，分别从前置和侧置两个视角记录机器人操作过程，帧率为30 FPS。数据集结构清晰，通过info.json文件定义了动作空间、状态空间及图像观测的维度与类型，便于后续处理与模型训练。

特点

该数据集具有高结构化和多模态特性，同时包含机器人关节动作序列、本体状态信息以及双视角视觉观测。动作与状态空间均为6维向量，对应肩部、肘部、腕部及夹爪的关节位置，维度对齐设计便于实现模仿学习中的状态-动作映射。视觉数据提供480×640分辨率的RGB图像，覆盖前向与侧向视角，能够捕捉抓取过程中的环境与目标细节。数据集规模紧凑，总数据量约100 MB，视频部分约200 MB，适合快速实验验证与原型开发。

使用方法

用户可通过LeRobot库直接加载该数据集，利用其提供的API访问parquet格式的时序数据与对应的视频帧。训练时，可将observation.state作为状态输入，action作为预测目标，适用于模仿学习或行为克隆等范式。图像观测可通过视频路径解码为连续帧序列，与状态信息对齐后形成多模态输入。数据集默认将全部2个回合划分为训练集（split为'train': '0:2'），无验证集划分，用户可根据需要自行拆分。结合LeRobot的DataLoader工具，可高效实现批次采样与数据增强，支持端到端的机器人学习流水线。

背景与挑战

背景概述

在机器人学习领域，数据驱动的模仿学习正成为实现精细操作技能的关键范式。eval_grab_charger50_new数据集由LeRobot框架创建，旨在记录一个六自由度SO_Follower机器人在执行充电器抓取任务时的完整操作轨迹。该数据集包含2个演示片段、574帧数据，并通过前置和侧置摄像头以30帧每秒的速率捕捉视觉信息，同时记录关节位置与夹爪状态，为研究从人类示教中学习抓取策略提供了高保真的多模态数据。其影响力体现在为小型化、低成本机器人平台的精细操作研究提供了标准化测试案例，推动了模仿学习在真实物理环境中的落地应用。

当前挑战

该数据集所解决的核心领域问题在于机器人抓取操作的泛化性与鲁棒性——传统编程方法难以应对物体位置、光照和背景变化带来的不确定性，而数据驱动的模仿学习需从有限演示中提取可迁移的策略。构建过程中面临多重挑战：首先，2个片段的极少量数据难以覆盖完整的状态空间，易导致过拟合；其次，视觉观测中480x640分辨率的图像虽丰富细节，但不同视角的融合与时间对齐增加了特征提取难度；再者，6自由度动作空间与连续控制需求要求模型在毫秒级内完成决策，对算法实时性构成严峻考验。

常用场景

经典使用场景

在机器人学习领域，该数据集专为模仿学习与行为克隆范式而构建，聚焦于充电器抓取与放置这一精细操作任务。通过记录单个机械臂在30帧/秒频率下的六维关节状态及动作序列，并结合前视与侧视双视角视觉观测，数据集为端到端策略网络提供了完整的训练与评估资源。研究者可利用其中高保真的运动学数据与多模态感知信息，训练模型直接由视觉输入映射至连续动作空间，从而复现专家演示的抓取轨迹，验证算法在刚性物体精确操控场景下的泛化能力。

衍生相关工作

围绕该数据集催生了多项前沿研究。基于其提供的低维动作空间与双视角视觉输入，研究者开发了面向刚体操控的层级式模仿学习框架，将抓取分解为接近、夹持、抬升子策略。另有工作利用该数据集验证了预训练视觉表征在机器人精细操作中的迁移效果，对比了ResNet与Vision Transformer在嵌入空间中的泛化差异。此外，结合LeRobot工具链，该数据集成为机器人数据增强技术（如噪声注入与轨迹插值）的测试床，推动了基于演示数据构建鲁棒策略的学术进展。

数据集最近研究

最新研究方向

该数据集聚焦于机器人灵巧操作中的充电桩抓取与对接任务，通过so_follower机器人平台采集6自由度关节动作与多视角视觉信息。当前前沿研究方向围绕模仿学习与行为克隆技术，利用LeRobot框架将人类示教数据转化为机器人动作策略。这一方向与具身智能热点紧密关联，特别是在服务机器人和工业自动化领域，精细化操作能力的突破将推动机器人从实验室走向真实场景。数据集仅包含2个轨迹片段，虽规模较小，但为验证小样本学习算法提供了基准，其标准化数据格式和视频-动作对齐机制对促进机器人学习社区的可复现研究具有示范意义。