遇见数据集

B1_Station_CloseFridgeDoor

收藏
Hugging Face2026-04-14 更新2026-04-15 收录
官方服务:

资源简介:

该数据集是使用LeRobot创建的,主要用于机器人技术领域。数据集采用Apache-2.0许可证,包含100个episodes,总计49489帧,涉及1个任务。数据以parquet文件格式存储,总数据文件大小为100MB,视频文件大小为200MB,帧率为30fps。数据集包含丰富的特征信息,包括47个动作特征(如关节位置、速度、加速度、温度、电压等)和83个观测状态特征(如关节位置、速度、加速度、TCP位置等)。此外,数据集还提供了来自手腕、顶部和侧面摄像头的视频数据,分辨率分别为480x864和480x848,视频编码为h264,像素格式为yuv420p。该数据集适用于机器人控制、动作识别和视频分析等任务。

This dataset was developed using LeRobot and is primarily targeted for robotics research and engineering applications. It is licensed under the Apache-2.0 open-source license, containing 100 episodes with a total of 49,489 frames, covering one single task. The non-video data is stored in Parquet file format, with a total size of 100 MB, while the video files have a combined size of 200 MB and a frame rate of 30 fps. The dataset includes comprehensive feature sets, comprising 47 action features (e.g., joint position, velocity, acceleration, temperature, voltage, etc.) and 83 observation state features (e.g., joint position, velocity, acceleration, TCP position, etc.). Additionally, the dataset provides video data captured by wrist-mounted, top-mounted, and side-mounted cameras, with resolutions of 480×864 and 480×848 respectively, using H.264 video coding and YUV420p pixel format. This dataset is suitable for tasks including robot control, action recognition, and video analysis.

创建时间:
2026-04-10
原始信息汇总

数据集概述

基本信息

  • 数据集名称: B1_Station_CloseFridgeDoor
  • 创建工具: 使用 LeRobot 创建。
  • 许可证: Apache 2.0
  • 任务类别: 机器人学
  • 标签: LeRobot

数据集结构

  • 代码库版本: v3.0
  • 机器人类型: romoya_lebai_follower
  • 总情节数: 100
  • 总帧数: 49489
  • 总任务数: 1
  • 块大小: 1000
  • 数据文件大小: 100 MB
  • 视频文件大小: 200 MB
  • 帧率: 30 FPS
  • 数据分割: 训练集 (0:100)
  • 数据文件路径模式: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
  • 视频文件路径模式: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

数据特征

动作

  • 数据类型: float32
  • 形状: [47]
  • 特征名称: joint1.pos, joint2.pos, joint3.pos, joint4.pos, joint5.pos, joint6.pos, gripper.pos, gripper.force, DO_0, DO_1, joint1.effort, joint2.effort, joint3.effort, joint4.effort, joint5.effort, joint6.effort, joint1.vel, joint2.vel, joint3.vel, joint4.vel, joint5.vel, joint6.vel, joint1.acc, joint2.acc, joint3.acc, joint4.acc, joint5.acc, joint6.acc, joint1.temp, joint1.voltage, joint2.temp, joint2.voltage, joint3.temp, joint3.voltage, joint4.temp, joint4.voltage, joint5.temp, joint5.voltage, joint6.temp, joint6.voltage, flange_voltage, tcp.x, tcp.y, tcp.z, tcp.rx, tcp.ry, tcp.rz

观测状态

  • 数据类型: float32
  • 形状: [83]
  • 特征名称: joint1.pos, joint2.pos, joint3.pos, joint4.pos, joint5.pos, joint6.pos, gripper.pos, gripper.force, DO_0, DO_1, joint1.effort, joint2.effort, joint3.effort, joint4.effort, joint5.effort, joint6.effort, joint1.vel, joint2.vel, joint3.vel, joint4.vel, joint5.vel, joint6.vel, joint1.acc, joint2.acc, joint3.acc, joint4.acc, joint5.acc, joint6.acc, tcp.x, tcp.y, tcp.z, tcp.rx, tcp.ry, tcp.rz, joint1.temp, joint2.temp, joint3.temp, joint4.temp, joint5.temp, joint6.temp, joint1.voltage, joint2.voltage, joint3.voltage, joint4.voltage, joint5.voltage, joint6.voltage, flange_voltage, flange.x, flange.y, flange.z, flange.rx, flange.ry, flange.rz, target_joint1.pos, target_joint2.pos, target_joint3.pos, target_joint4.pos, target_joint5.pos, target_joint6.pos, target_joint1.vel, target_joint2.vel, target_joint3.vel, target_joint4.vel, target_joint5.vel, target_joint6.vel, target_joint1.acc, target_joint2.acc, target_joint3.acc, target_joint4.acc, target_joint5.acc, target_joint6.acc, target_joint1.effort, target_joint2.effort, target_joint3.effort, target_joint4.effort, target_joint5.effort, target_joint6.effort, target_tcp.x, target_tcp.y, target_tcp.z, target_tcp.rx, target_tcp.ry, target_tcp.rz

观测图像(腕部)

  • 数据类型: 视频
  • 形状: [480, 864, 3]
  • 维度名称: 高度, 宽度, 通道
  • 视频信息:
    • 高度: 480
    • 宽度: 864
    • 编解码器: h264
    • 像素格式: yuv420p
    • 是否为深度图: false
    • 帧率: 30
    • 通道数: 3
    • 包含音频: false

观测图像(顶部)

  • 数据类型: 视频
  • 形状: [480, 848, 3]
  • 维度名称: 高度, 宽度, 通道
  • 视频信息:
    • 高度: 480
    • 宽度: 848
    • 编解码器: h264
    • 像素格式: yuv420p
    • 是否为深度图: false
    • 帧率: 30
    • 通道数: 3
    • 包含音频: false

观测图像(侧面)

  • 数据类型: 视频
  • 形状: [480, 848, 3]
  • 维度名称: 高度, 宽度, 通道
  • 视频信息:
    • 高度: 480
    • 宽度: 848
    • 编解码器: h264
    • 像素格式: yuv420p
    • 是否为深度图: false
    • 帧率: 30
    • 通道数: 3
    • 包含音频: false

其他特征

  • 时间戳: 数据类型 float32,形状 [1]
  • 帧索引: 数据类型 int64,形状 [1]
  • 情节索引: 数据类型 int64,形状 [1]
  • 索引: 数据类型 int64,形状 [1]
  • 任务索引: 数据类型 int64,形状 [1]

引用信息

  • 主页: [More Information Needed]
  • 论文: [More Information Needed]
  • BibTeX 引用: [More Information Needed]
搜集汇总
数据集介绍
B1_Station_CloseFridgeDoor 数据集图片
构建方式
在机器人操作任务的数据采集领域,B1_Station_CloseFridgeDoor数据集通过LeRobot平台系统性地构建而成。该数据集记录了romoya_lebai_follower型机器人在执行关闭冰箱门这一具体任务时的多模态交互数据,涵盖了100个完整任务片段,总计49489帧,以30帧每秒的速率采集。数据以分块形式存储于Parquet文件中,每块包含1000帧,确保了高效的数据管理与访问,同时辅以同步录制的多视角视频,为机器人学习提供了丰富的现实世界交互记录。
使用方法
研究者可利用该数据集进行机器人模仿学习、强化学习或行为克隆等算法的开发与验证。数据以标准化的Parquet格式组织,并可通过HuggingFace数据集库直接加载,便于进行帧级别的序列访问与分析。典型的使用流程包括:解析动作与状态特征以建模控制策略,同时利用多视角视频数据训练视觉表征模型或进行手眼协调学习。数据集已预设训练集划分,支持直接用于模型训练,其丰富的时序与多模态结构也适用于长时程任务理解与预测模型的构建。
背景与挑战
背景概述
在机器人操作领域,模仿学习与强化学习已成为实现复杂任务自主执行的关键范式。B1_Station_CloseFridgeDoor数据集由HuggingFace的LeRobot项目团队构建,专注于机器人执行关闭冰箱门这一日常操作任务。该数据集依托LeRobot开源框架,旨在为机器人学习社区提供高质量、多模态的示范数据,以推动家庭服务机器人技能获取的研究。数据集包含100个完整任务片段,共计近五万帧数据,融合了关节状态、末端执行器位姿、视觉观测等多维度信息,为算法开发提供了丰富的状态-动作对序列。其创建体现了研究界对于机器人泛化能力与数据驱动方法在非结构化环境中应用的持续探索。
当前挑战
该数据集致力于解决机器人操作中基于视觉与状态反馈的闭环控制问题,其核心挑战在于如何从高维异构观测中学习鲁棒且精确的操控策略。具体而言,挑战体现在机器人需在存在感知噪声、动力学不确定性以及环境交互复杂性的条件下,实现柔顺且可靠的接触式操作。在数据集构建层面,挑战涉及多传感器数据的精确同步与标定,确保关节编码器、力传感器与多视角视觉流在时序上的一致性。同时,采集大规模真实世界操作数据需克服硬件可靠性、场景重复性以及人工示范成本高昂等困难,而数据的高效存储与标准化格式组织也是保障其可用性的关键。
常用场景
经典使用场景
在机器人操作学习领域,B1_Station_CloseFridgeDoor数据集为研究机械臂执行日常环境中的精细操作任务提供了关键资源。该数据集记录了六轴机械臂关闭冰箱门的完整过程,包含多视角视觉数据、关节状态与末端执行器轨迹,为模仿学习与强化学习算法提供了丰富的多模态演示。研究者能够利用这些高精度时序数据,训练模型理解复杂物理交互,实现从感知到动作的端到端策略生成。
解决学术问题
该数据集有效应对了机器人操作中动态接触与力控策略的学术挑战。通过提供真实场景下的关节力矩、末端力反馈及目标状态信息,它支持研究者在非结构化环境中建模接触动力学,解决传统仿真到现实迁移中的建模误差问题。其多传感器融合框架为验证混合视觉-触觉感知模型、提升操作策略的鲁棒性与适应性提供了实证基础,推动了具身智能在精细操作任务上的理论进展。
实际应用
在家庭服务与仓储物流等实际场景中,该数据集能够指导开发自主执行关门、整理物品等日常任务的机器人系统。基于数据驱动的策略可部署于智能家居助手或工业分拣机器人,实现安全、精准的物体操控。其记录的力控与轨迹信息有助于优化机械臂在受限空间中的运动规划,降低对结构化环境的依赖,提升机器人在动态多变场景中的实用性与可靠性。
数据集最近研究
最新研究方向
在机器人操作领域,B1_Station_CloseFridgeDoor数据集以其丰富的多模态数据为依托,正成为推动模仿学习与强化学习融合研究的关键资源。该数据集涵盖了关节位置、力矩、速度、加速度及温度等多维状态信息,结合腕部、顶部和侧面的视觉观测,为机器人执行精细操作任务提供了全面的环境感知。当前研究热点聚焦于如何利用此类高维时序数据,训练端到端的策略网络,以提升机器人在非结构化环境中完成如关闭冰箱门等日常任务的泛化能力。随着家庭服务机器人需求的增长,这类数据集在促进机器人自主操作技能的发展方面具有显著意义,为算法验证与性能评估奠定了坚实基础。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务