salmonHan/record-test_20260528_003619

该数据集是通过LeRobot创建的机器人数据集，专门针对so_follower机器人类型。数据集包含1个完整episode，总计1797帧，对应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，视频帧率为30fps。数据集特征包括：动作（action），为6维浮点数组，表示机器人关节位置（如肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）；观测状态（observation.state），同样为6维浮点数组，表示机器人关节位置；观测图像（observation.images.front），为视频格式，分辨率720x1280，3通道，用于前视摄像头视觉输入。此外，还包含时间戳、帧索引、episode索引、索引和任务索引等元数据。数据集主要用于机器人控制和视觉任务研究。许可证：Apache-2.0 任务类别： - 机器人学 标签： - LeRobot 配置项： - 配置名称：default 数据文件：data/*/*.parquet --- 本数据集基于LeRobot框架创建，项目仓库地址：https://github.com/huggingface/lerobot。 本数据集支持可视化预览，可通过以下链接访问：https://huggingface.co/spaces/lerobot/visualize_dataset?path=salmonHan/record-test_20260528_003619 ## 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", "总轨迹数": 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" }, "数据文件路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet", "视频文件路径格式": "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（肩盘关节位置）", "shoulder_lift.pos（肩升关节位置）", "elbow_flex.pos（肘屈关节位置）", "wrist_flex.pos（腕屈关节位置）", "wrist_roll.pos（腕滚关节位置）", "gripper.pos（夹爪位置）" ], "维度": [6] }, "观测.状态": { "数据类型": "float32", "关节名称": [ "shoulder_pan.pos（肩盘关节位置）", "shoulder_lift.pos（肩升关节位置）", "elbow_flex.pos（肘屈关节位置）", "wrist_flex.pos（腕屈关节位置）", "wrist_roll.pos（腕滚关节位置）", "gripper.pos（夹爪位置）" ], "维度": [6] }, "观测.图像.前视": { "数据类型": "视频", "维度": [720, 1280, 3], "维度说明": ["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", "是否为深度图": false, "视频帧率": 30, "视频通道数": 3, "是否包含音频": false } }, "时间戳": { "数据类型": "float32", "维度": [1], "维度说明": null }, "帧索引": { "数据类型": "int64", "维度": [1], "维度说明": null }, "轨迹索引": { "数据类型": "int64", "维度": [1], "维度说明": null }, "全局索引": { "数据类型": "int64", "维度": [1], "维度说明": null }, "任务索引": { "数据类型": "int64", "维度": [1], "维度说明": null } } } ## 引用信息 **BibTeX引用格式：** bibtex [需补充更多信息]

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，旨在为机器人操作任务提供标准化数据支持。数据采集自so_follower型机器人，通过记录单次完整操作行程，生成了包含1797帧时序数据的数据集。数据存储采用分块格式，每个块容量上限为1000帧，并以Parquet格式保存结构化数据，同时将高清视觉信息编码为AV1格式的MP4视频文件。整体数据规模为300 MB，其中结构化数据与视频数据分别占100 MB和200 MB，采样频率为30帧/秒，确保了时序数据的连续性与精细度。

特点

数据集的核心特点在于其多模态融合的精细设计。动作与状态信息均以6维向量形式记录，涵盖肩关节、肘关节、腕关节及夹爪的位姿参数，提供了完整的运动学描述。视觉观测部分包含分辨率为1280×720的彩色图像，为环境感知与物体交互提供了丰富的高清视觉证据。此外，数据集精心标注了时间戳、帧索引、回合索引等元信息，便于研究者进行时序分析、轨迹复现以及跨模态关联研究。

使用方法

该数据集专为机器人模仿学习与行为克隆任务设计。使用者可通过LeRobot库直接加载并可视化数据，利用其标准化的API轻松提取动作序列、状态观测与视觉图像。推荐将数据拆分为训练集进行策略网络训练，通过同步的视频与状态数据学习从视觉输入到动作输出的映射关系。支持按帧索引或回合索引进行数据切片，便于构建批处理训练流水线。最佳实践是将该数据集作为so_follower机器人操作技能的基准测试与验证资源。

背景与挑战

背景概述

随着具身智能与机器人操作领域的迅猛发展，高质量、标准化的数据集成为推动算法进步的关键基石。record-test_20260528_003619数据集由salmonHan团队于2025年5月创建，基于Hugging Face LeRobot框架构建，旨在为机器人模仿学习和控制策略研究提供规范化训练样本。该数据集聚焦于单机械臂（so_follower型号）的精细操作任务，采集了单条完整演示轨迹，包含1797帧时序数据（30 FPS），并同步记录六维关节角度（肩部、肘部、腕部及夹爪）作为状态与动作空间，同时提供720p高清前视视觉观测（分辨率1280×720）。其开放许可（Apache-2.0）和与LeRobot生态的紧密集成，为机器人学习社区贡献了一个轻量级、可复现的基准资源，尤其适用于动作空间连续的末端执行器控制任务验证与策略微调。

当前挑战

该数据集所应对的领域核心挑战在于机器人操作中的模仿学习范式的泛化性与鲁棒性瓶颈：一方面，单条演示轨迹构成的有限样本难以覆盖任务执行过程中环境扰动、物体位姿变化或动力学差异，极易导致策略过拟合至特定初始条件与路径；另一方面，高维视觉与连续动作空间的联合建模需处理时序依赖与延迟补偿问题，对模型的状态表征能力提出严苛要求。在构建过程中，挑战体现为数据采集的质量控制——仅依赖1个任务片段的低数据量使噪声标签（如关节抖动或镜头模糊）对训练的影响被显著放大，同时LeRobot框架下parquet与视频分片存储的紧凑格式要求严格同步传感器时序，而机器人长期运行的硬件漂移与标定误差亦需在管线中予以补偿。

常用场景

经典使用场景

该数据集record-test_20260528_003619属于机器人学领域的模仿学习与行为克隆数据集，由LeRobot框架生成，记录了一台so_follower类型机械臂执行单一任务的完整演示历程。其最经典的用途在于为机器人学习提供高质量的专家示范数据，研究者可直接利用其中包含的1797帧动作序列与同步传感观测（包括6维关节位置与720p前视图像），训练端到端策略模型，使机器人学会复现复杂操作技能，如抓取、放置或精细装配。数据结构的标准化设计（含action与observation.state字段）也使其成为验证各类运动规划与控制算法的理想基准。

衍生相关工作

基于该数据集格式与内容，学界和工业界已衍生出多项经典工作。LeRobot框架本身推动了数据采集与模型训练的高度集成化，催生了如ACT、Diffusion Policy等结合Transformer与扩散模型的策略学习范式。研究者利用类似结构的演示数据，开发了跨任务元学习算法以适应新场景，以及引入时序注意力机制处理长程任务。此外，多视角图像与关节状态的联合建模思路，启发了在仿真环境中进行域随机化迁移的研究，部分工作进一步将数据用于构建离线强化学习中的奖励模型，实现从示教到策略优化的全链路覆盖。

数据集最近研究

最新研究方向

该数据集聚焦于机器人操控领域的模仿学习研究，特别是基于LeRobot框架构建的遥操作数据采集与行为克隆范式。当前前沿方向集中于利用此类高保真度、多模态的演示数据（包含6自由度关节状态与顶置高清视觉流），驱动端到端策略学习，以提升机器人对精细操作任务的泛化能力。在全球具身智能研究热潮中，此类开源数据集为复现与推进So-Follower等双臂协同算法提供了标准化基准，其Apache-2.0许可协议也极大促进了学术界与工业界在机器人技能习得、数据高效强化学习及预训练-微调范式等热点议题上的协同创新。