TagAggDann/lekiwi_CW

该数据集是一个机器人学相关的数据集，由LeRobot项目创建。数据集包含10个episodes，共2575帧，数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集的特征包括动作（action）、观测状态（observation.state）、观测图像（observation.images.front）、时间戳（timestamp）、帧索引（frame_index）、episode索引（episode_index）、索引（index）和任务索引（task_index）。动作和观测状态的特征包括x.vel、y.vel和theta.vel三个维度，观测图像的特征为480x640x3的视频数据。

This dataset is related to robotics and was created by the LeRobot project. The dataset contains 10 episodes, totaling 2575 frames, with data files sized at 100MB and video files at 200MB, and a frame rate of 30fps. The features of the dataset include action, observation.state, observation.images.front, timestamp, frame_index, episode_index, index, and task_index. The action and observation.state features include three dimensions: x.vel, y.vel, and theta.vel, while the observation.images.front feature is video data of size 480x640x3.

搜集汇总

数据集介绍

构建方式

lekiwi_CW数据集是基于LeRobot框架构建的机器人操作数据集。该数据集包含10个完整任务片段（episodes），共计2575帧数据，所有数据被划分为单一训练集。数据以分块形式存储，每个数据块包含Parquet格式的结构化数据文件和AV1编码的MP4视频文件。数据采集频率为30帧/秒，总数据量约100MB，视频数据约200MB。数据集中每个时间步记录了三维动作指令（x轴速度、y轴速度、角速度）及其对应的机器人状态观测值，同时提供了640×480像素的前视摄像头图像作为视觉输入。

使用方法

该数据集可通过LeRobot库直接加载，用户需安装LeRobot并调用相应API。使用前应解析meta/info.json获取数据集元信息，通过指定的data_path和video_path读取Parquet和视频文件。数据集已预划分训练集，可直接用于模仿学习或强化学习任务。建议利用LeRobot提供的可视化工具（Hugging Face Spaces）预览数据质量。由于数据量较小（约300MB），适合在单机环境下进行原型开发。使用时需注意机器人类型为lekiwi_client，动作空间需归一化至[-1,1]范围以适配常见算法框架。

背景与挑战

背景概述

在移动机器人领域，精确的轨迹跟踪与姿态控制是自主导航与操作任务的核心挑战。lekiwi_CW数据集由研究机构基于LeRobot框架构建，旨在为轮式移动机器人（如Lekiwi客户端）提供标准化的行为克隆训练数据。该数据集创建于近年，聚焦于单一任务下的运动控制学习，包含10个演示片段、总计2575帧、30帧/秒的连续观测与动作序列，并通过前向摄像头（640×480分辨率）记录视觉信息。其核心研究问题在于如何利用少量高质量的人类演示数据，使机器人学会执行速度控制指令（x.vel、y.vel、theta.vel），从而推动模仿学习在移动机器人底层运动中的实际应用。该数据集以Apache-2.0许可证开源，降低了机器人学习研究的门槛，为验证行为克隆算法在连续控制任务中的泛化能力提供了基础基准。

当前挑战

该数据集所解决的领域问题在于，移动机器人常面临非结构化环境中的精确运动控制难题，如地面摩擦变化、轮子打滑或传感器噪声导致的轨迹偏差。由于数据集仅包含单个任务和10个演示片段，样本数量有限，所训练的模型易陷入过拟合，难以应对光照变化、障碍物规避或不同地面材质等场景差异。构建过程中，数据采集依赖人工遥操作，需保证动作指令与视觉观测的时间同步，而30帧/秒的采集频率下即使微小延迟也会引入状态估计噪声。此外，动作空间为三维连续速度指令，缺乏对位移或加速度的直接约束，增加了模型学习稳定策略的难度，同时原始数据未包含深度信息或地图先验，进一步限制了在复杂环境中的鲁棒泛化能力。

常用场景

经典使用场景

在机器人学习与智能控制领域，lekiwi_CW数据集凭借其精细化的运动状态与视觉观测信息，成为训练移动机器人轨迹跟踪与导航策略的经典资源。该数据集包含10个完整回合、共计2575帧的高保真样本，以每秒30帧的速率记录了微型轮式机器人lekiwi_client的前向速度、横向速度及角速度等多维动作与状态数据，同时配备前置摄像头捕获的640×480像素动态视觉序列。研究者可利用这些时空对齐的多模态数据，通过模仿学习或强化学习范式，构建从原始图像到低层运动指令的端到端映射模型，尤其适用于室内巡逻、避障漫游等需要实时响应环境的连续控制任务。

解决学术问题

该数据集的核心价值在于为移动机器人领域长期存在的样本效率低下与仿真-现实迁移鸿沟问题提供了可复现的解决方案。通过提供真实物理世界采集的、带有精确时间戳的异质模态数据，它使研究者能够深入探索视觉信息与底层运动控制之间的因果关联。具体而言，lekiwi_CW有助于解决小型轮式机器人在非结构化场景下因动力学模型不完整导致的轨迹偏差问题，以及基于单目视觉的定位与控制精度不足的困境。该数据集通过其丰富的运动学标签与视觉上下文，促进了深度学习算法在真实机器人平台上的鲁棒泛化，对于推动数据驱动控制理论从实验室走向实际部署具有里程碑式的示范效应。

实际应用

在实际应用层面，lekiwi_CW数据集为众多对低成本自主移动平台有着迫切需求的产业领域注入了新动能。在仓储物流场景中，它可被用于训练自主搬运机器人执行精确的路径跟踪与动态避障，从而提升分拣与转运效率。在安防巡检方面，基于该数据集开发的视觉导航算法能够使机器人在复杂室内环境中进行自主巡查，实时识别异常并调整移动策略。此外，在智能家居与养老陪护领域，lekiwi_CW所蕴含的运动控制范式可被迁移至小型服务机器人上，赋予其跟随用户、自主回充等能力，从而在保障低硬件成本的同时实现高精度的行为决策，展现出数据驱动范式的巨大产业化潜力。

数据集最近研究

最新研究方向

在机器人学习领域，lekiwi_CW数据集聚焦于轻量化轮式移动机器人的模仿学习，其精细的动作空间（x、y线速度与角速度）与高帧率（30fps）视觉观测（480×640 AV1编码视频）为研究低成本、高动态的具身智能体提供了标准化基准。当前前沿方向正利用此类数据集探索弱监督下的策略泛化，例如结合扩散模型或Transformer架构，从有限的10个示范片段（共2575帧）中提取闭环控制先验，并借助LeRobot框架实现训练与部署的无缝衔接。该数据集的Apache-2.0许可与parquet格式设计，加速了多机器人系统在复杂地形适应性、群集协同等热点议题上的可复现研究，标志着边缘计算与教学机器人数据集从仿真向真实物理世界迁移的关键突破。