dance_same

该数据集通过LeRobot项目创建，包含了机器人操作的相关数据。数据集的具体结构在meta/info.json文件中有详细描述，包括机器人类型、总剧集数、总帧数、任务数等信息。但是README文件中并未提供数据集的具体描述。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot

数据集结构

• 配置名称: default
• 数据文件: data//.parquet
• 总任务数: 1
• 总视频数: 0
• 总片段数: 1
• 片段大小: 1000
• 帧率: 30 FPS
• 分割: 训练集（0:2）

数据统计

• 总情节数: 2
• 总帧数: 60

特征描述

• action: 浮点32，形状[6]，包含肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置
• observation.state: 浮点32，形状[6]，包含肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置
• timestamp: 浮点32，形状[1]
• frame_index: 整型64，形状[1]
• episode_index: 整型64，形状[1]
• index: 整型64，形状[1]
• task_index: 整型64，形状[1]

存储路径

• 数据路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

技术信息

• 代码库版本: v2.1
• 机器人类型: so101_follower

引用信息

• 论文: 未提供
• BibTeX: 未提供

搜集汇总

数据集介绍

构建方式

在机器人控制领域，dance_same数据集通过LeRobot框架精心构建，采用SO101型跟随机器人记录多关节运动轨迹。数据以30Hz采样频率捕获，涵盖肩部平移、肩部抬升、肘部屈伸、腕部屈伸、腕部旋转及夹爪开合六自由度动作，每条轨迹以parquet格式分块存储，确保时序数据的完整性与高效存取。

特点

该数据集以高精度浮点数值刻画机器人运动状态，动作与观测空间均具备明确的物理语义标注。其显著特征在于严格对齐的时空索引结构，每帧数据均附带时间戳、任务编号及轨迹索引，支持端到端的模仿学习研究。虽样本规模精简，但维度定义清晰，为算法验证提供高度结构化基准。

使用方法

研究者可通过加载标准parquet文件直接获取状态-动作对序列，利用帧索引实现跨模态数据对齐。该数据集适用于行为克隆、逆强化学习等任务，其分层存储格式支持流式读取与分布式训练。用户需依据LeRobot代码库规范初始化数据加载器，并注意遵循Apache-2.0许可协议。

背景与挑战

背景概述

机器人学习领域近年来对模仿学习数据集的需求日益增长，dance_same数据集应运而生。该数据集由LeRobot团队基于Apache 2.0许可证构建，专门针对SO101型跟随机器人设计，包含6自由度机械臂的动作控制数据。其核心研究聚焦于机器人运动模仿与状态观测的对应关系，通过记录关节位置、时间戳等多维特征，为机器人行为克隆算法提供高质量训练样本。虽然具体创建时间未公开，但该数据集体现了机器人学习社区对标准化示范数据集的迫切需求。

当前挑战

该数据集主要解决机器人模仿学习中的动作复现难题，其核心挑战在于精确映射人类示范动作到机器人运动轨迹的高维状态空间。构建过程中面临多模态数据同步的技术瓶颈，需要协调机械臂关节角度传感器与时间戳数据的毫秒级对齐。另外，有限样本规模（仅2个示教片段）难以覆盖动作执行的动态变化，而6维连续动作空间的稀疏采样可能影响策略学习的泛化性能。数据采集还需克服机器人物理约束带来的运动平滑性与安全性平衡问题。

常用场景

经典使用场景

在机器人运动控制研究领域，dance_same数据集为模仿学习算法提供了标准化的评估基准。该数据集通过记录六自由度机械臂的关节位置轨迹，完整呈现了特定舞蹈动作的执行过程。研究者可利用其时空对齐的动作序列，训练机器人学习人类演示者的运动模式，实现精确的动作复现。

衍生相关工作

基于该数据集的特性，衍生出了多项机器人运动生成领域的经典研究。包括基于动态运动基元的自适应轨迹生成算法、结合生成对抗网络的运动风格迁移模型，以及多模态示教数据融合框架。这些工作显著推进了从观察学习到动作执行的技术路线发展。

数据集最近研究

最新研究方向

在机器人学习领域，dance_same数据集作为LeRobot项目的重要组成部分，正推动模仿学习与行为克隆技术的前沿探索。该数据集通过记录六自由度机械臂的关节位置与动作序列，为机器人运动生成与轨迹预测研究提供了高质量示教数据。当前研究热点集中于利用此类数据开发端到端的神经网络架构，实现从视觉观察到连续动作输出的直接映射，显著提升了机器人动作执行的平滑性与任务泛化能力。随着具身智能概念的兴起，该数据集在机器人舞蹈动作生成、人机协作表演等跨模态任务中展现出重要价值，为构建能够理解并复现人类艺术表达能力的智能系统奠定了数据基础。