salmonHan/record-test_20260528_001145

该数据集是一个机器人学数据集，专门用于机器人控制任务，特别是针对so_follower类型的机器人。数据集包含1个完整的任务集，总计1个集和1797帧数据，帧率为30帧/秒。数据以Parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB。数据集的特征包括6维的动作和观察状态（对应机器人的肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部滚动和夹爪位置），以及前视摄像头拍摄的720x1280分辨率的三通道视频图像。此外，还包含时间戳、帧索引、集索引、索引和任务索引等元数据。数据集使用Apache 2.0许可证，并可通过LeRobot工具进行可视化和分析。--- 许可证：Apache-2.0 任务类别： - 机器人学 标签： - LeRobot 配置项： - 配置名称：默认 数据文件：data/*/*.parquet --- 本数据集基于LeRobot构建。 <a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=salmonHan/record-test_20260528_001145"> <img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/> <img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/> </a> ## 数据集说明 - **主页：** [需补充更多信息] - **论文：** [需补充更多信息] - **许可证：** Apache-2.0 ## 数据集结构 `[meta/info.json]`: json { "代码库版本": "v3.0", "机器人类型": "so_follower", "总回合数": 1, "总帧数": 1797, "总任务数": 1, "分块大小": 1000, "数据文件总大小（MB）": 100, "视频文件总大小（MB）": 200, "帧率": 30, "数据集划分": { "训练集": "0:1" }, "数据路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet", "视频路径格式": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4", "数据特征": { "动作": { "数据类型": "float32", "关节名称": [ "shoulder_pan.pos", "shoulder_lift.pos", "elbow_flex.pos", "wrist_flex.pos", "wrist_roll.pos", "gripper.pos" ], "维度": [6] }, "观测.状态": { "数据类型": "float32", "关节名称": [ "shoulder_pan.pos", "shoulder_lift.pos", "elbow_flex.pos", "wrist_flex.pos", "wrist_roll.pos", "gripper.pos" ], "维度": [6] }, "观测.前视图像": { "数据类型": "video", "维度": [720, 1280, 3], "维度名称": ["高度", "宽度", "通道数"], "详细信息": { "视频.高度": 720, "视频.宽度": 1280, "视频.编码格式": "av1", "视频.像素格式": "yuv420p", "视频.非深度图": false, "视频.帧率": 30, "视频.通道数": 3, "无音频": true } }, "时间戳": { "数据类型": "float32", "维度": [1], "维度名称": null }, "帧索引": { "数据类型": "int64", "维度": [1], "维度名称": null }, "回合索引": { "数据类型": "int64", "维度": [1], "维度名称": null }, "全局索引": { "数据类型": "int64", "维度": [1], "维度名称": null }, "任务索引": { "数据类型": "int64", "维度": [1], "维度名称": null } } } ## 引用 **BibTeX格式引用：** bibtex [需补充更多信息]

搜集汇总

数据集介绍

构建方式

该数据集借助LeRobot框架构建，聚焦于机器人操控领域。数据采集自so_follower型机器人，共收录1个完整任务回合，包含1797帧时序数据，帧率为每秒30帧。数据集以Parquet格式存储结构化信息，并辅以MP4视频文件记录视觉观测，视频分辨率为720×1280。数据按1000帧为一块进行分块组织，训练/测试划分明确，全部数据划归训练集，总计约100MB的结构化数据和200MB的视频数据。

特点

数据集具备多模态融合特性，同步采集6维动作指令（包含肩部、肘部、腕部及夹爪位姿）与对应观测状态，同时记录前方摄像头捕捉的彩色图像序列。每个样本均带有时间戳、帧索引和回合索引，便于序列建模。数据采用Apache-2.0许可协议发布，兼容LeRobot生态，可通过HuggingFace Spaces在线可视化，适合模仿学习与行为克隆研究。

使用方法

用户可通过LeRobot库（pip install lerobot）加载该数据集，使用from lerobot.common.datasets import LeRobotDatasetFactory接口读取。数据集已预定义default配置，数据文件路径遵循data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet结构。建议将数据集克隆至本地后，利用LeRobot提供的重放工具进行数据回放与预处理，也可直接用于训练机器人策略模型。

背景与挑战

背景概述

机器人学习领域长期以来受限于高质量、标准化操作数据集的匮乏，尤其是模仿学习等方法对大规模、多模态交互数据的需求日益迫切。record-test_20260528_001145数据集由Hugging Face社区的LeRobot项目团队创建，依托开源框架自动采集生成，旨在为机器人操控研究提供低门槛的数据资源。该数据集聚焦于“so_follower”机器人平台，采集了单一任务下共计1797帧、时长约60秒的精细操控数据，包含6维关节动作指令、状态观测及高清视觉信息（720p@30fps）。作为LeRobot生态中的典型示范，它推动了机器人学习数据标准化与共享进程，为验证模仿学习算法、降低机器人研究入局成本提供了可复用的基础资源。

当前挑战

该数据集面临的挑战涵盖领域与构建两个层面。在领域问题方面，当前机器人操控研究多依赖小规模、场景单一的演示数据，导致模型泛化能力不足、难以适应光照、物体位姿及环境动态变化，而record-test_20260528_001145仅含单条轨迹，无法覆盖复杂任务中的多态性，限制了其作为基准数据集解决模仿学习中的样本效率与鲁棒性问题的能力。在构建过程中，数据采集依赖人工遥操作示教，操作一致性和质量受人为因素干扰；同时，底层控制频率与视觉采样的精准同步、高帧率视频数据（AV1编码）的存储与处理效率，以及多源异构数据（动作、状态、图像）的对齐融合，均对数据管道的鲁棒性提出了严苛挑战。

常用场景

经典使用场景

该数据集record-test_20260528_001145专为机器人学领域的模仿学习与行为克隆研究而设计，尤其聚焦于双臂协作场景中的‘so_follower’机器人构型。其经典使用场景在于通过采集人类演示或遥操作生成的轨迹数据，为机器人提供从观测到动作的端到端映射学习素材。数据集中包含1797帧连续序列，以30帧每秒的频率记录了六自由度机械臂的关节位置与夹爪状态，辅以前置摄像头采集的720×1280像素高清视觉信息。研究者可借助该数据集训练策略网络，使机器人学会精确复现拾取、放置或装配等精细操作任务，从而在结构化环境中实现高效的技能迁移与泛化。

实际应用

在实际部署中，该数据集驱动sim-to-real迁移的实现，使so_follower机器人能在工厂流水线或仓储场景中执行高精度抓取与组装任务。基于其视频与关节角数据训练的模型，可被集成到柔性制造系统中，支持小批量定制化产品的快速换产。此外，该数据集的操作接口兼容LeRobot框架，便于开发者将其纳入医疗辅助机器人或家庭服务机器人的技能库中，例如通过演示学习完成餐具整理或药品分拣。其开源许可特性更降低了初创企业与实验室的验证成本，加速了从原型验证到产品落地的闭环迭代。

衍生相关工作

该数据集催生了多项关键研究工作，包括基于扩散策略的机器人动作生成框架，其利用数据集中的时序轨迹分布来建模多模态动作分布；以及基于Transformer的观测-动作跨模态对齐网络，通过注意力机制融合视觉特征与关节状态。此外，研究人员借鉴该数据集的结构化标注启发了数据增强与域随机化方法，显著提升了策略面对环境扰动时的泛化能力。在工具层面，数据集推动了LeRobot社区中数据加载与可视化工具的标准化，衍生出如行为克隆偏好训练等实用算法，并成为验证人类示范质量对技能学习影响的基准测试床。