KS325/close-lower-drawer-r1_emp_val

该数据集是一个机器人相关的数据集，使用LeRobot创建。数据集包含4个episodes，共3396帧，帧率为30fps。数据集中包含机器人的动作状态（如shoulder_pan.pos等）、观测状态（如shoulder_pan.pos等）、两个摄像头的视频数据（480x640分辨率，3通道，30fps）以及其他时间戳和索引信息。数据集的结构信息详细描述了每个特征的数据类型、形状和名称。

This dataset is a robotics-related dataset created using LeRobot. It contains 4 episodes with a total of 3396 frames at 30fps. The dataset includes robot action states (e.g., shoulder_pan.pos), observation states (e.g., shoulder_pan.pos), video data from two cameras (480x640 resolution, 3 channels, 30fps), and other timestamp and index information. The dataset structure details the data type, shape, and name of each feature.

搜集汇总

数据集介绍

构建方式

该数据集依托于LeRobot框架构建，旨在为机器人操作任务提供标准化的训练与验证数据。数据采集源自一台名为'So_Follower'的从动机械臂，专注于执行关闭下层抽屉这一单一操作任务。整个数据集包含4个完整演示回合，累计3396帧时序数据，以30帧/秒的采样频率记录。数据以Parquet格式存储，并辅以MP4视频文件，便于高效读写与可视化。构建过程中，数据被划分为训练集（0:4），未明确设置验证集，表明其主要用于初步模型训练或基准测试。

特点

该数据集的核心特点在于其结构化的多模态信息融合。每个时间步均包含六维关节角度动作指令（如肩部、肘部、腕部及夹爪位置）与对应的六维观测状态，形成完整的闭环控制信息链。视觉信息由两台分辨率达480×640的摄像头提供，以AV1编码压缩，兼顾存储效率与图像质量。此外，数据记录时间戳、帧索引、回合索引等元数据，便于时序对齐与序列建模。数据集规模精巧（数据文件约100MB，视频约200MB），适合快速迭代实验。

使用方法

数据集可通过LeRobot库直接加载，其标准化的数据格式支持与主流机器人学习框架（如模仿学习、强化学习）无缝集成。用户可通过可视化工具（如提供的Spaces链接）浏览演示视频与状态序列。使用时，建议将`observation.state`与`observation.images`作为输入特征，`action`作为预测目标，构建策略模型。由于数据包含完整的时间序列与关节空间信息，研究者可将其用于行为克隆、逆动力学模型训练等场景，或作为闭环控制策略的验证基准。

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对高质量示范数据的需求日益迫切，而精细操作任务（如抽屉开合）的数据采集尤为困难。close-lower-drawer-r1_emp_val数据集由研究人员基于LeRobot框架创建，发布于HuggingFace平台，旨在为机器人执行“关闭下层抽屉”这一基础操作提供标准化的验证数据。该数据集包含4个演示回合、3396帧记录，采用so_follower机器人构型，通过双视角摄像头（480×640分辨率）与关节位姿传感器同步采集，涵盖6维动作空间（肩部、肘部、腕部及夹爪）。其作为验证集（emp_val）的定位，为评估模仿学习策略在真实机械臂控制中的泛化性能提供了可复现的基准，弥补了精细操作任务中标准化验证数据的缺失。

当前挑战

该数据集主要挑战体现为：1）解决领域问题方面，机器人精确操控抽屉等结构化部件面临接触力变化与运动约束复杂化的难题，现有算法常因数据量与场景多样性不足导致策略鲁棒性差；2）构建过程中，仅有单任务（close lower drawer）、单机器人（so_follower）的4个短回合数据，样本量极少且缺乏场景变化，可能难以支撑深度模仿学习模型的充分训练；同时，视频与状态数据的高频同步采集（30fps）对传感器标定与时间对齐提出严苛要求，开放式验证集设计也增加了对跨设置泛化能力的评估挑战。

常用场景

经典使用场景

在机器人操作领域中，精细化的闭合抽屉动作是验证机械臂空间感知与末端执行器控制能力的黄金标准。close-lower-drawer-r1_emp_val数据集正是为此而生，它采集了跟随机械臂执行关闭下层抽屉任务的高保真轨迹数据，包含6维关节空间动作指令与双视角相机视频序列。该数据集最经典的使用场景是训练基于模仿学习的行为克隆模型，让机器人从演示中学会如何精准对齐抽屉面板并完成推入闭合动作，同时对抗训练-测试分布偏移带来的泛化挑战。

实际应用

在智能制造与家庭服务领域，该数据集展现出了直达落地的应用价值。训练后的策略可直接部署于配备灵巧夹爪的协作机械臂，使其在装配线中自动完成机柜抽屉的关闭操作，或在智能家居场景中为用户整理储物单元。由于数据采集时已同步编码了gripper位置与关节角度，模型能对抽拉式家具公差变化作出自适应调整，显著降低误撞与卡滞风险。结合LeRobot框架的离线评估流程，开发者可在数小时内完成从数据集加载到硬件部署的完整闭环。

衍生相关工作

该数据集启发了多项突破性研究工作。基于双视角视频输入的条件扩散策略在此数据上表现优异，其生成的平滑力位轨迹刷新了闭合成功率基准。研究者还在此数据集上对比了不同观察空间对任务性能的影响，发现仅利用关节状态输入时模型易陷入局部最优，而融合深度估计的抗扰策略则能适应抽屉内物体随机摆放的干扰。更有学者将轨迹重播与动态时间规整技术结合，验证了该数据集在迁移学习范式下的领域自适应潜力。