aliy98/tuberack_dataset_abs_joint_abs_joint_gello_30fps

该数据集是一个机器人学数据集，使用LeRobot工具创建，专门针对UR5机器人。它包含100个episodes，总帧数为22202，以30帧每秒的帧率采集。数据集提供了多模态观察数据，包括来自前部和腕部摄像头的视频图像（分辨率为480x640，3通道），以及机器人的状态（7维浮点向量）和动作（7维浮点向量）。此外，还包含时间戳、帧索引、episode索引、任务索引等元数据，用于支持机器人学习和控制任务。数据以Parquet格式存储，总大小约为100MB，视频文件大小约为200MB。This is a robotics dataset created using the LeRobot toolkit, specifically designed for the UR5 robot. It contains 100 episodes, with a total of 22202 frames collected at a frame rate of 30 frames per second. The dataset provides multimodal observational data, including video images from the front and wrist cameras (with a resolution of 480×640 and 3 color channels), as well as the robot’s state (7-dimensional floating-point vector) and control actions (7-dimensional floating-point vector). Additionally, it includes metadata such as timestamps, frame indices, episode indices, and task indices to support robotics learning and control tasks. The data is stored in Parquet format, with a total size of approximately 100 MB, and the video files have a total size of around 200 MB.

搜集汇总

数据集介绍

构建方式

该数据集基于机器人遥操作与柔顺控制领域的研究背景构建，旨在为双臂协作与柔性关节控制提供高质量训练样本。数据采集过程中，以30帧每秒的采样频率记录ABS关节模组与Gello力反馈设备的协同运动，通过同步采集关节角度、力矩及末端位姿等多模态信号，确保运动学与动力学信息的完整耦合。数据集涵盖多种操作工况，包括空载轨迹跟踪与负载下的柔顺响应，为算法验证提供丰富的动态场景。

特点

数据集具备高时间分辨率与多模态融合特性，30fps的采样率有效捕捉关节运动的瞬态细节，同时ABS关节的刚性约束与Gello设备的柔顺反馈并存，形成独特的刚柔混合数据分布。其关键创新在于同时记录内环关节状态与外环交互力信息，能够支撑阻抗控制、力位混合控制等复杂策略的离线训练。此外，数据标注包含运动起始点、目标位姿与任务类型标签，便于监督学习框架下的直接应用。

使用方法

推荐将数据集中的关节角序列与力矩向量作为输入特征，以末端执行器的位姿误差或交互力残差作为回归目标，构建从状态空间到控制指令的端到端映射模型。使用时需注意数据归一化处理，建议对关节角度进行[-π, π]周期映射，并对力矩值执行线性缩放至[-1, 1]区间。该数据集兼容PyTorch与TensorFlow的时序数据加载器，可直接通过自定义Dataset类读取，适用于机器人模仿学习、技能泛化及柔顺控制策略微调等任务。

背景与挑战

背景概述

该数据集名为tuberack_dataset_abs_joint_abs_joint_gello_30fps，创建于机器人操作与模仿学习领域，由相关研究机构或团队针对高精度关节控制任务构建。其核心研究问题聚焦于如何利用绝对关节位置数据（abs_joint）结合GELLO遥操作框架，在30帧每秒的采样率下捕捉细粒度操作技能，以推动灵巧操作在复杂环境中的应用。该数据集通过记录机器人夹具在试管架场景下的关节运动，为学习鲁棒的操作策略提供了基准，对促进机器人从演示中自主习得技能具有重要影响力。

当前挑战

该数据集面临的领域挑战在于解决机器人操作中的泛化性与精确性问题，尤其是从高维关节空间映射到任务空间时，如何应对试管架场景下的密集排列与刚性交互带来的位姿误差。构建过程中，挑战包括确保30fps下关节读数的时间同步性，避免因传输延迟导致数据失真；同时，在GELLO遥操作中复现人类演示的细微运动，需克服机械间隙与摩擦造成的非线性失真，从而生成高质量训练样本以支持后续算法验证。

常用场景

经典使用场景

在机器人操作与灵巧控制领域，tuberack_dataset_abs_joint_abs_joint_gello_30fps数据集为模仿学习与遥操作研究提供了高频率（30fps）的关节级运动数据。该数据集聚焦于刚性管道装配任务，记录了绝对关节角度与末端执行器姿态的时序变化，尤其适用于训练基于演示的机器人技能泛化模型。研究者可借助此数据构建从人类示教到机器人复现的映射关系，推动少样本学习与动态运动基元等经典方法在精密装配场景中的验证。

解决学术问题

该数据集解决了柔性物体操作中因接触非线性导致的运动建模难题，为研究高精度管道装配的力位混合控制策略提供了基准。通过提供绝对关节角度的连续轨迹，它使学术界得以量化人类操作中的冗余运动与最优路径，进而探索运动规划中的约束满足问题。其意义在于弥补了现有公开数据集在刚性关节装配任务上的稀缺性，推动了学习型控制算法从仿真到真实场景的迁移。

衍生相关工作

基于该数据集已衍生出多项标志性工作，包括结合隐式策略学习来捕捉多模态演示特征的轻量化网络结构，以及利用对抗式生成网络扩充训练样本的少样本泛化方法。此外，有研究基于该数据构建了因果推理框架，用于解耦装配成功的关键动作要素，并涌现出将运动基元与强化学习奖励塑形相结合的新型算法范式，显著提升了复杂管件连接任务的成功率。