AgiBot-g1_picks_up_battery_b

AgiBot-g1_picks_up_battery_b数据集是一个基于LeRobot扩展格式的机器人数据集，旨在支持机器人臂抓取电池的任务。数据集包含丰富的注释和特征，以支持各种学习方法。数据集遵循LeRobot格式，分为训练和测试集，并组织成与LeRobot兼容的结构。数据集由RoboCOIN团队提供，并在Apache-2.0许可下发布。

原始信息汇总

AgiBot-g1_picks_up_battery_b 数据集概述

基本信息

• 数据集名称: AgiBot-g1_picks_up_battery_b
• 许可证: apache-2.0
• 支持语言: 英语、中文
• 任务类别: 机器人学
• 标签: RoboCOIN, LeRobot
• 帧数范围: 100K-1M

机器人配置

• 机器人类型: AgiBot-g1
• 代码库版本: v2.1
• 末端执行器类型: two_finger_gripper

场景与动作

场景类型

• factory

原子动作

• place
• pick
• grasp

数据集统计

指标	数值
总情节数	329
总帧数	131840
总任务数	1
总视频数	2632
总分块数	1
分块大小	1000
帧率	30
数据集大小	71.4GB

任务描述

主要任务

使用机械臂拾取电池

子任务

1. 从大箱子中抓取并抬起电源
2. null
3. 将电源放置在操作台上

数据特征

视觉观测

• 8个相机视角，包括：
  • cam_high_rgb (720×1280)
  • cam_left_wrist_rgb (480×848)
  • cam_right_wrist_rgb (480×848)
  • 5个鱼眼相机 (1536×1920)
• 所有视频格式：AV1编码，30FPS

状态与动作

• observation.state: float32[41] - 机器人关节位置、末端位置、姿态等
• action: float32[34] - 机器人动作命令

注释信息

• 子任务注释: 细粒度子任务分割和标注
• 场景注释: 语义场景分类和描述
• 末端执行器注释: 方向、速度、加速度分类
• 夹爪注释: 模式、活动状态、开合尺度

数据组织

文件结构

AgiBot-g1_picks_up_battery_b_qced_hardlink/ ├── annotations/ # 注释文件 ├── data/chunk-000/ # 数据文件(.parquet) ├── meta/ # 元数据 └── videos/chunk-000/ # 视频文件

数据分割

• 训练集: 情节0-328

项目链接

• 主页: https://flagopen.github.io/RoboCOIN/
• 论文: https://arxiv.org/abs/2511.17441
• 代码库: https://github.com/FlagOpen/RoboCOIN
• 问题反馈: https://github.com/FlagOpen/RoboCOIN/issues

贡献者

• RoboCOIN团队

技术支持

• 通过GitHub仓库提交问题获取技术支持

搜集汇总

数据集介绍

构建方式

在机器人操作研究领域，AgiBot-g1_picks_up_battery_b数据集采用基于LeRobot框架的扩展格式构建，通过AgiBot-g1双指夹爪机器人系统记录电池拾取任务。数据集包含329个完整操作片段，总计131840帧数据，以30帧/秒的采样率采集。数据以分块形式组织，每个数据块包含1000个操作片段，采用Parquet格式存储，确保高效的数据访问和处理效率。

使用方法

针对机器人学习研究需求，该数据集支持多种应用场景。研究人员可通过LeRobot框架直接加载数据，利用预定义的数据路径模式访问训练集。数据集提供完整的视觉-动作配对，支持模仿学习、强化学习等算法训练。丰富的运动学标注可用于轨迹分析、动作分割等研究，而多视角视觉数据则为视觉伺服、场景理解等计算机视觉任务提供基础。数据集的标准化格式确保与现有机器人学习框架的兼容性，便于开展对比实验和方法验证。

背景与挑战

背景概述

在机器人操作领域，双手机器人系统因其能够执行复杂任务而备受关注。AgiBot-g1_picks_up_battery_b数据集由RoboCOIN团队于2025年发布，作为RoboCOIN项目的重要组成部分，专注于解决双手机器人抓取电池这一核心研究问题。该数据集基于LeRobot框架构建，包含329个完整操作序列、13万余帧数据及8个多视角视觉观测，通过丰富的末端执行器运动学标注与抓取状态信息，为机器人模仿学习与操作策略研究提供了重要支撑。

当前挑战

双手机器人协调操作面临多重挑战：末端执行器的精确轨迹规划需解决高维动作空间的探索难题，多指夹爪的抓取力度控制要求对物体物理特性具有鲁棒性。数据构建过程中，多摄像头同步采集的时序对齐、71.4GB大规模数据的存储优化，以及仿真空间与真实世界动力学参数的一致性校准，均为数据集构建的关键技术瓶颈。

常用场景

经典使用场景

在机器人操作学习领域，该数据集聚焦于双臂协作的精细抓取任务，通过包含抓取、放置等原子动作的329个完整操作序列，为机器人模仿学习提供了标准化的训练范本。其多视角视觉观测与丰富的运动轨迹数据，能够有效支撑机器人从感知到执行的端到端策略学习，特别适用于复杂场景下的物体操控研究。

解决学术问题

该数据集通过标注精细的末端执行器运动轨迹与抓取状态，解决了机器人操作中动作分割与时序建模的学术难题。其提供的六维位姿信息与多模态传感器数据，为研究机器人运动规划、力控制交互等核心问题建立了基准，显著推进了双臂协同操作的理论研究进展。

实际应用

在工业自动化场景中，该数据集可直接应用于智能仓储的电池分拣系统，通过训练机器人精准识别并抓取不同规格的电源设备。其工厂环境下的操作数据对开发自适应抓取算法具有重要价值，能够提升生产线物料搬运的智能化水平与作业效率。

数据集最近研究

最新研究方向

在机器人操作领域，AgiBot-g1_picks_up_battery_b数据集凭借其丰富的多视角视觉数据与精细动作标注，正推动双臂协同控制的前沿探索。该数据集通过8个相机视角与高精度末端执行器运动轨迹，为模仿学习与强化学习算法提供了真实工厂场景下的电池抓取范例。当前研究聚焦于多模态感知融合策略，结合LeRobot框架的兼容性优势，致力于提升机械臂在复杂环境中的操作鲁棒性。随着RoboCOIN项目在开源机器人数据领域的持续拓展，此类高质量数据集正成为解决实际工业任务的关键基石，为具身智能的发展注入新动能。