遇见数据集

salmonHan/record-test_20260528_010142

收藏
Hugging Face2026-05-27 更新2026-05-31 收录
官方服务:

资源简介:

该数据集是一个机器人控制数据集,使用LeRobot框架创建。数据集针对“so_follower”机器人类型设计,包含1个episode和1797帧数据,总数据文件大小为100MB,视频文件大小为200MB,帧率为30fps。数据以Parquet格式存储,视频以MP4格式存储。特征包括:动作(action)和观察状态(observation.state),均包含6个关节位置(肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置),数据类型为float32;观察图像(observation.images.front)为前视摄像头视频,分辨率为720x1280,3通道,视频编码为av1,无音频;此外,还包括时间戳、帧索引、episode索引、索引和任务索引等元数据。数据集适用于机器人模仿学习、控制策略训练等任务,所有数据均分为训练集。

--- 许可证:Apache-2.0 任务类别: - 机器人学(robotics) 标签: - LeRobot(LeRobot) 配置项: - 配置名称:default 数据文件路径:data/*/*.parquet --- 本数据集由LeRobot(LeRobot)框架构建而成,相关仓库地址为:https://github.com/huggingface/lerobot。 <a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=salmonHan/record-test_20260528_010142"> <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 【元数据文件: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(fps)": 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", "维度名称": [ "肩平移关节位置(shoulder_pan.pos)", "肩抬升关节位置(shoulder_lift.pos)", "肘屈曲关节位置(elbow_flex.pos)", "腕屈曲关节位置(wrist_flex.pos)", "腕旋转关节位置(wrist_roll.pos)", "夹爪位置(gripper.pos)" ], "形状": [ 6 ] }, "观测状态": { "数据类型": "float32", "维度名称": [ "肩平移关节位置(shoulder_pan.pos)", "肩抬升关节位置(shoulder_lift.pos)", "肘屈曲关节位置(elbow_flex.pos)", "腕屈曲关节位置(wrist_flex.pos)", "腕旋转关节位置(wrist_roll.pos)", "夹爪位置(gripper.pos)" ], "形状": [ 6 ] }, "前视摄像头观测图像": { "数据类型": "视频", "形状": [ 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", "是否为深度图": false, "视频帧率(fps)": 30, "视频通道数": 3, "是否包含音频": false } }, "时间戳": { "数据类型": "float32", "形状": [ 1 ], "维度名称": null }, "帧索引": { "数据类型": "int64", "形状": [ 1 ], "维度名称": null }, "轨迹索引": { "数据类型": "int64", "形状": [ 1 ], "维度名称": null }, "全局索引": { "数据类型": "int64", "形状": [ 1 ], "维度名称": null }, "任务索引": { "数据类型": "int64", "形状": [ 1 ], "维度名称": null } } } ## 引用说明 **BibTeX格式引用:** bibtex [需补充更多信息]

提供机构:
salmonHan
搜集汇总
数据集介绍
salmonHan/record-test_20260528_010142 数据集图片
构建方式
该数据集基于LeRobot框架构建,专为机器人学习研究设计。数据采集自一台so_follower型机器人,通过记录其操作过程生成。整个数据集包含1个完整操作片段(episode),共计1797帧数据,以每秒30帧的采样频率采集。数据以Parquet格式存储,同时视频数据以AV1编码的MP4文件保存,分辨率为1280x720像素。每个操作片段包含6维动作空间,涵盖机器人肩部、肘部、腕部等关节位置及夹爪状态,同时记录对应的观测状态和图像信息。
使用方法
该数据集可通过LeRobot库轻松加载和使用。用户首先安装LeRobot工具包,然后利用其内置的数据集加载功能,将数据路径指向本数据集即可。数据被划分为训练集,适用于模仿学习等机器人任务的模型训练。使用时,需关注动作和观测之间的时序对应关系,可利用LeRobot提供的可视化界面在HuggingFace Spaces中预览数据。数据集结构清晰,各特征字段(如action、observation.state等)可直接按名称索引,便于研究人员快速构建数据处理流水线。
背景与挑战
背景概述
在机器人学习领域,高质量、标准化数据集是驱动模仿学习与自主操作能力突破的关键基石。record-test_20260528_010142数据集由Hugging Face团队基于LeRobot框架创建,聚焦于机器人精细操作任务,其发布依托当下最前沿的具身智能研究浪潮。该数据集包含单一机械臂(so_follower)的完整演示轨迹,涵盖1797帧连续动作序列与1280×720分辨率的高清视觉记录,旨在为机器人状态观测与动作映射提供精细化对齐的训练素材。作为开源基准库LeRobot生态的一部分,该数据集推动了机器人学习研究中数据可复现性与跨平台迁移的进程,虽规模尚小,但为验证控制算法、探索小样本学习边界提供了珍贵的基础资源。
当前挑战
该数据集所应对的核心领域挑战在于机器人如何从有限演示中泛化出鲁棒的操作策略,当前仅含单个任务与单段轨迹的数据量,难以覆盖真实场景中物体姿态、光照变化及动态干扰带来的多样性。构建过程中面临的挑战包括:高精度运动捕捉与同步拍摄的硬件集成复杂性,以及应对机器人异构本体(如so_follower)带来的数据格式非标化问题。此外,将视觉-动作联合数据压缩至高效Parquet与AV1编码格式,需在保持低频操作细节不丢失的前提下平衡存储效率,而元数据中缺失的环境状态与触觉反馈信息,进一步限制了模型对复杂交互行为的深度理解能力。
常用场景
经典使用场景
record-test_20260528_010142 数据集专为机器人操作任务中的模仿学习与行为克隆而设计,其经典的用法在于为基于视觉与状态信息的机器人技能学习提供标准化的训练与评估平台。该数据集记录了单条完整的机器人遥操作示范,包含以30帧每秒采集的高清前视RGB图像(1280×720分辨率)以及6自由度关节位置与夹爪状态的时间序列数据。研究者可借此训练端到端的神经网络模型,直接从图像和本体感知状态映射到连续动作指令,从而复现复杂的操纵策略,例如物体抓取与精细装配任务。
解决学术问题
该数据集直面机器人学习领域中数据获取成本高昂与示范质量参差不齐的学术难题,通过提供严格同步的高保真多模态观测与动作轨迹,为验证新型算法在真实机器人系统中的迁移能力与泛化性能奠定了坚实基础。它解决了从有限示范中高效学习鲁棒策略的挑战,促使学术界深入探索隐式行为克隆、扩散策略以及基于Transformer的序列建模等前沿方法。数据集明确的规划结构(如分块存储、时间戳对齐)还支持了关于长程任务依赖与状态分布外推的研究,显著推动了数据驱动的机器人控制理论的发展。
实际应用
在实际应用中,该数据集可作为工业机械臂的离线技能训练基石,帮助制造业快速部署柔性生产线的可编程操作流程,如精密零件插入或电子元件装配。基于此类数据训练的模型可迁移至不同构型的“SO_Follower”型从机械臂上,实现“一次示范、多机复制”的自动化部署。在服务机器人领域,它支持了家庭环境中物品整理、桌面清理等日常任务的自主化,通过结合视觉反馈与力觉信息,提升了机器人在非结构化场景下的适应能力与操作精度。
数据集最近研究
最新研究方向
该数据集聚焦于机器人学领域中基于视觉与运动状态的多模态模仿学习前沿方向,通过LeRobot框架采集了单次任务、1797帧、30fps的示范数据,包含6维关节动作、6维状态观测以及高清720p摄像头视频图像。当前业界在机器人动作克隆与技能迁移方面,热点研究正围绕"少样本泛化"与"跨任务场景适应"展开,例如利用大规模预训练视觉模型结合时序动作编码,以克服传统运动规划对精确物理模型的依赖。该数据集虽规模有限,但其标准化的parquet与视频存储结构,为后续构建端到端行为克隆基准、验证模仿学习算法在低样本效率下的泛化能力提供了可复现的测试载体,呼应了机器人操作技能从实验室环境迈向现实应用中对数据质量与格式一致性的迫切需求。
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