R1_Lite_dispose_of_leftover_food

这是一个名为R1_Lite_dispose_of_leftover_food的数据集，用于机器人研究。它基于LeRobot数据集，并与之完全兼容。数据集包括抓取、捡起、放置和翻转等任务的数据。数据集规模庞大，包括127个剧集，135,632帧和381个视频。数据集被组织成1个包含1000个剧集的块。数据集是根据Apache-2.0许可证发布的。

原始信息汇总

R1_Lite_dispose_of_leftover_food 数据集概述

基本信息

• 数据集名称: R1_Lite_dispose_of_leftover_food
• 许可证: apache-2.0
• 支持语言: 英语、中文
• 任务类别: 机器人技术
• 标签: RoboCOIN, LeRobot
• 框架范围: 100K-1M

机器人配置

• 机器人类型: R1_Lite
• 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: 家庭环境
• 原子动作: 抓取、拾取、放置、翻转

数据集统计

指标	数值
总情节数	127
总帧数	135632
总任务数	1
总视频数	381
总分块数	1
分块大小	1000
帧率	30
数据集大小	7.5GB

任务描述

• 主要任务: 将碗或盘子中的剩菜倒入垃圾桶并放回
• 子任务: 9个具体子任务，包括移动碗/盘、拾取碗/盘、倾倒剩菜、放回碗/盘等

数据特征

视觉观测

• 3个摄像头视角：高位摄像头、左手腕摄像头、右手腕摄像头
• 分辨率：720×1280
• 编码格式：av1
• 帧率：30 FPS

状态与动作

• 状态观测: 14维浮点数组（关节角度和夹爪状态）
• 动作数据: 14维浮点数组（关节角度和夹爪控制）

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（开/关）、活动状态

运动特征

• 末端执行器模拟位姿（状态和动作）
• 末端执行器方向分类
• 末端执行器速度分类
• 末端执行器加速度分类
• 夹爪开合尺度

数据组织

文件结构

• 数据文件: Parquet格式，按分块组织
• 视频文件: MP4格式，按摄像头视角组织
• 元数据: JSON格式，包含数据集完整信息

数据划分

• 训练集: 情节0-126

相关链接

• 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

作者信息

• 贡献者: RoboCOIN团队

技术兼容性

• 基于LeRobot格式扩展
• 完全兼容LeRobot框架

版本历史

• v1.0.0 (2025年11月): 初始发布

搜集汇总

数据集介绍

构建方式

在机器人操作数据集构建领域，R1_Lite_dispose_of_leftover_food数据集采用基于LeRobot框架的扩展格式进行系统化构建。该数据集通过R1_Lite型双臂机器人配备二指夹爪，在家庭场景中执行食物残渣处理任务，共收录127个完整操作序列，涵盖135632帧视觉数据。数据以分块形式组织为Parquet文件，每个数据块包含1000个操作片段，并同步存储三路高清摄像头采集的30帧率视频流，整体数据规模达7.5GB。

使用方法

针对机器人操作算法的开发需求，该数据集可通过LeRobot兼容接口进行高效调用。研究者可按照标准数据路径模式加载分块存储的Parquet文件，其中包含14维关节状态与动作向量，以及多路视频流数据。使用时应重点参考元数据文件中的时序对齐信息，确保状态观测与动作指令的同步解析。对于特定研究目标，可单独调用运动学特征子集或视觉流数据，亦可结合细粒度标注开展分层强化学习或行为克隆等任务。

背景与挑战

背景概述

在家庭服务机器人技术快速发展的背景下，R1_Lite_dispose_of_leftover_food数据集由RoboCOIN团队于2025年推出，专注于解决双手机器人处理食物残渣这一复杂任务。该数据集依托LeRobot框架构建，包含127个完整操作序列和超过13万帧多视角视觉数据，通过精细标注的机械臂运动轨迹与抓取状态，为机器人精细操作学习提供了重要支撑。其核心研究目标在于突破家庭环境中非结构化场景下的物体抓取与放置难题，对推动服务机器人自主化进程具有显著意义。

当前挑战

该数据集致力于攻克家庭场景中食物残渣处理任务的三大核心难题：双手机器人协同操作时动作序列的时序一致性保持、不同材质餐具在抓取过程中的力学适应性控制、以及动态环境下视觉感知与动作执行的精准对齐。在数据构建阶段，团队需应对多模态数据同步采集的技术复杂性，包括三路高清视频流与14维关节状态数据的实时对齐；同时面临操作轨迹标注的语义粒度划分挑战，需在9个子任务间建立连续动作边界，并解决仿真姿态数据与实际物理交互的映射偏差问题。

常用场景

经典使用场景

在家庭服务机器人研究领域，该数据集为双指夹爪机器人的精细操作任务提供了标准化基准。其核心应用场景聚焦于餐具残留物处理这一日常家务活动，通过抓取、拾取、放置、翻转等原子动作的序列化组合，完整再现了从拿起盛有剩食的碗盘到倾倒至垃圾桶并归位的完整操作流程。多视角视觉观测与丰富运动标注的协同设计，为模仿学习与强化学习算法提供了理想的训练环境。

解决学术问题

该数据集有效解决了机器人操作任务中动作序列长程依赖建模的学术难题。通过细粒度的子任务标注与六维末端执行器位姿数据，为研究双臂协调控制中的时空一致性提供了重要支撑。其包含的加速度、速度等运动学特征标注，显著提升了动态操作过程中轨迹预测模型的精度，同时弥补了家庭环境下非结构化场景中机器人操作泛化能力不足的研究空白。

实际应用

在智能家居系统构建中，该数据集为开发自动化餐饮处理机器人提供了关键技术支持。基于真实家庭场景采集的操作数据，可直接应用于服务型机器人的行为规划模块开发，实现餐具识别、精准抓取、稳定搬运等核心功能。其多模态数据融合特性进一步推动了家庭环境下的机器人感知-决策-执行闭环系统的工程落地，为智慧厨房等实际应用场景提供了可靠的数据基础。

数据集最近研究

最新研究方向

在家庭服务机器人领域，R1_Lite_dispose_of_leftover_food数据集正推动精细操作任务的前沿探索。该数据集聚焦剩饭处理场景，通过多视角视觉观测与丰富动作标注，为双臂协作的模仿学习提供关键支撑。当前研究热点集中于基于LeRobot框架的端到端策略学习，结合六维末端执行器位姿与抓取状态数据，探索复杂家居环境下的动态物体操控。随着RoboCOIN项目在开源机器人数据领域的突破，这类高精度标注数据集正成为具身智能从实验室走向实际应用的重要桥梁，其多模态时序特征对机器人泛化能力的提升具有深远意义。