ant0nh/test_20260529_025117

该数据集是使用LeRobot创建的机器人数据集，专为机器人任务设计。它包含机械臂（型号为so_follower）的动作和状态观察数据，具体特征包括：6维浮点动作向量（控制肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置），6维浮点状态观察向量（对应相同关节位置），以及来自腕部和前部摄像头的视频观察（分辨率480x640，30fps，AV1编码）。数据集还包含时间戳、帧索引、剧集索引等元数据。总剧集数为1，总帧数为748，数据以Parquet格式存储，视频以MP4格式存储。license: 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](https://github.com/huggingface/lerobot)构建。 <a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=ant0nh/test_20260529_025117"> <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 - **项目主页：** [需补充更多信息] - **相关论文：** [需补充更多信息] - **许可证：** apache-2.0 ## 数据集结构 `meta/info.json`文件内容如下： json { "codebase_version": "v3.0", "fps": 30, "features": { "action": { "dtype": "float32", "names": [ "肩转关节位置", "肩抬关节位置", "肘屈关节位置", "腕屈关节位置", "腕转关节位置", "夹爪位置" ], "shape": [ 6 ] }, "observation.state": { "dtype": "float32", "names": [ "肩转关节位置", "肩抬关节位置", "肘屈关节位置", "腕屈关节位置", "腕转关节位置", "夹爪位置" ], "shape": [ 6 ] }, "observation.images.wrist": { "dtype": "video", "shape": [ 480, 640, 3 ], "names": [ "height", "width", "channels" ], "info": { "video.height": 480, "video.width": 640, "video.codec": "av1", "video.pix_fmt": "yuv420p", "video.is_depth_map": false, "video.fps": 30, "video.channels": 3, "has_audio": false } }, "observation.images.front": { "dtype": "video", "shape": [ 480, 640, 3 ], "names": [ "height", "width", "channels" ], "info": { "video.height": 480, "video.width": 640, "video.codec": "av1", "video.pix_fmt": "yuv420p", "video.is_depth_map": false, "video.fps": 30, "video.channels": 3, "has_audio": false } }, "timestamp": { "dtype": "float32", "shape": [ 1 ], "names": null }, "frame_index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "episode_index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "index": { "dtype": "int64", "shape": [ 1 ], "names": null }, "task_index": { "dtype": "int64", "shape": [ 1 ], "names": null } }, "total_episodes": 1, "total_frames": 748, "total_tasks": 1, "chunks_size": 1000, "data_files_size_in_mb": 100, "video_files_size_in_mb": 200, "data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet", "video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4", "robot_type": "so_follower", "splits": { "train": "0:1" } } ## 引用 **BibTeX格式引用：** 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，旨在服务于机器人领域的模仿学习研究。数据集以1个episode、总计748帧的数据规模呈现，记录了机器人执行单一任务时的完整轨迹。数据存储采用Parquet与MP4视频双轨格式，其中动作与状态信息以浮点型数组形式保存，涵盖肩部、肘部、腕部及夹爪的6维关节位置数据，同时经由腕部与前置摄像头采集分辨率为480×640的RGB视频流，帧率为30fps，并采用AV1编码压缩。数据集文件按分块索引组织，便于高效加载与处理。

特点

数据集突出体现了多模态数据融合的特性，同步保存了6维关节动作指令与对应关节状态观测，形成完整的闭环反馈数据对。双视角视觉输入提供了机器人操作过程中的局部与全局环境感知能力，而时间戳与帧索引则为时序建模提供了精确对齐基准。尽管数据规模较小，但其结构完整、特征维度清晰，颇具代表性。数据遵循Apache-2.0开源许可协议，并集成了LeRobot的可视化接口，便于研究者直观探索数据内容。

使用方法

研究者可通过LeRobot库的load_dataset函数直接加载该数据集，使用标准的data/*/*.parquet路径模式读取分块数据。数据已预设训练集分割，使用时需关注其单任务、单episode的特性，适用于小样本模仿学习或动作生成的基线评估。视觉数据以压缩视频形式存储，需通过LeRobot内置的解码器转换为帧序列，结合action与observation.state字段构建状态-动作映射关系。建议在调用时指定帧率和索引字段，以确保时序序列的正确对齐与采样。

背景与挑战

背景概述

该数据集由Hugging Face社区成员创建，依托LeRobot框架构建，旨在为机器人模仿学习提供标准化数据资源。数据集收录了2026年5月29日采集的单一任务轨迹，包含748帧与6自由度机械臂（so_follower型）相关的动作和观测数据，并辅以30FPS前视及腕部摄像头视频。作为机器人学习领域的基础性数据集，其遵循Apache-2.0开源协议发布，为后续研究提供了可复现的基准，尤其在机械臂控制策略泛化与从仿真到现实的迁移研究中具有潜在价值。

当前挑战

该数据集面临的核心挑战包括：领域问题层面，如何从单一任务、有限轨迹中学习鲁棒的机械臂操控策略，以应对环境变化与任务变体；构建过程中，受限于单次采集与20MB数据量，难以覆盖复杂场景的多样性，且视频数据采用AV1编码可能引入编解码延迟与质量损失。此外，数据集缺少多模态对齐标注与任务语义信息，对高精度模仿学习算法的直接适用性构成制约。

常用场景

经典使用场景

在机器人学习与模仿学习的学术疆域中，该数据集以精密的运动学参数和视觉观测数据，为研究者搭建了一座从原始传感信号到高级动作指令的桥梁。其经典使用场景聚焦于通过端到端的行为克隆，利用高保真的机械臂关节位置（如肩部、肘部、腕部及夹爪的六维控制空间）与同步录制的多视角视觉流，训练机器人完成精细操作任务。数据集中以30帧/秒的速率采集的腕部与前方摄像头图像，配合6维动作向量，使得模型能够从演示轨迹中习得状态与动作之间的非线性映射，为复现如物体抓取、零件装配等依赖精确位姿控制的复杂行为提供了标准化训练范例。

实际应用

在工业自动化与智能服务的实际场景中，该数据集为柔性生产与辅助操作提供了数据驱动的决策蓝本。其包含的夹爪动作与机械臂协同运动数据，可直接应用于流水线上的精密分拣、电子元件的手眼协调装配，以及仓储环境中对易碎品的自适应抓取。此外，借助front与wrist摄像头的双重视觉反馈，该数据集支持开发用于医疗手术辅助的半自主机械臂系统，以及家庭服务机器人在非结构化环境中的倒水、开门等日常任务。这些应用从本质上解决了传统固定编程模式难以应对环境变化与任务多样性的痛点，使机器人能够通过离线学习的策略，快捷适应小批量、多品种的现代化生产需求。

衍生相关工作

依托LeRobot框架构建的这一数据集，已催生出一系列在模仿学习与强化学习交汇处的里程碑式工作。研究者在此基础上，发展了基于扩散策略的高精度动作生成模型，将原始示教轨迹转化为概率生成框架下的平滑动作序列。同时，数据集中的多模态观测信息被用于改进视觉预训练表征，衍生出可高效提取空间特征与时序依赖的Transformer架构，例如将注意力机制引入机器人操作的端到端学习。在此基础上，跨任务元学习与少样本运动适应方法亦应运而生，它们利用该数据集的统一格式，在仅包含单一任务演示的设定下，检验模型对未见环境与未知对象的零样本适应能力，形成了一条从数据驱动到算法创新的完整技术链条。