lerobot-simulation-burger-delivery-01

这是一个机器人学领域的 dataset，包含了5个集的总共2800帧，每个集包含一个任务。数据集的结构包含了多种特征，如机器人的关节角度、夹具状态等，并且提供了顶部和手腕的图像信息。数据集以 Apache-2.0 许可发布。

原始信息汇总

数据集概述

基本信息

• 名称: lerobot-simulation-burger-delivery-01
• 任务类别: 机器人学
• 标签: LeRobot
• 许可证: Apache-2.0
• 创建工具: LeRobot

数据集规模

• 总任务数: 1
• 总回合数: 5
• 总帧数: 2800
• 数据分块大小: 1000
• 帧率: 30 FPS
• 数据文件大小: 100 MB
• 视频文件大小: 500 MB
• 代码库版本: v3.0

数据结构

数据格式

• 数据文件格式: Parquet
• 数据文件路径: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件路径: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

特征字段

观测数据

• observation.state:

  • 数据类型: float32
  • 形状: [14]
  • 关节名称: 左肩平移、左肩抬升、左肘弯曲、左腕弯曲、左腕旋转、左夹爪、右肩平移、右肩抬升、右肘弯曲、右腕弯曲、右腕旋转、右夹爪

• observation.images.top:

  • 数据类型: 视频
  • 分辨率: 480×640×3
  • 视频编码: AV1
  • 像素格式: yuv420p
  • 非深度图

• observation.images.wrist_left:

  • 数据类型: 视频
  • 分辨率: 240×320×3
  • 视频编码: AV1
  • 像素格式: yuv420p
  • 非深度图

• observation.images.wrist_right:

  • 数据类型: 视频
  • 分辨率: 240×320×3
  • 视频编码: AV1
  • 像素格式: yuv420p
  • 非深度图

动作数据

• action:
  • 数据类型: float32
  • 形状: [14]
  • 关节名称: 左肩平移、左肩抬升、左肘弯曲、左腕弯曲、左腕旋转、左夹爪、右肩平移、右肩抬升、右肘弯曲、右腕弯曲、右腕旋转、右夹爪

索引数据

• timestamp: 时间戳 (float32)
• frame_index: 帧索引 (int64)
• episode_index: 回合索引 (int64)
• index: 索引 (int64)
• task_index: 任务索引 (int64)

数据集划分

• 训练集: 0-5回合

机器人配置

• 机器人类型: aloha_dual

搜集汇总

数据集介绍

构建方式

在机器人操作任务研究领域，该数据集通过LeRobot仿真平台精心构建，采用ALOHA双机械臂系统模拟汉堡配送场景。数据采集过程以30帧/秒的速率记录，涵盖5个完整任务片段，总计2800帧数据。存储结构采用分块式设计，每1000帧数据封装为独立parquet文件，同时配备多视角视频流记录，确保动作与观测数据的时空同步性。

使用方法

研究者可通过加载parquet格式的数据文件直接获取结构化观测-动作对，利用帧索引与时间戳实现数据对齐。视频数据采用AV1编码存储于独立路径，支持与状态数据同步解析。该数据集专为端到端机器人策略训练设计，可直接接入LeRobot训练流程，亦可通过特征字典键值灵活提取多模态输入用于行为克隆或强化学习算法验证。

背景与挑战

背景概述

在机器人学习领域，模拟环境数据集对于算法验证与模型训练具有关键意义。lerobot-simulation-burger-delivery-01数据集由HuggingFace团队基于LeRobot开源框架构建，专注于双机械臂操作任务的仿真研究。该数据集通过模拟汉堡配送场景，记录了ALOHA双机械臂系统的多模态传感器数据，包含关节状态、视觉观测与动作指令的时序关联，为机器人动作模仿与任务泛化研究提供了标准化实验平台。其结构化数据组织与多视角视频流特征，显著推动了机器人操作技能的数据驱动研究进程。

当前挑战

机器人操作任务面临动作时序连贯性与环境交互复杂性的双重挑战。该数据集需解决双机械臂协同控制中动作轨迹的精确映射问题，同时克服多摄像头视角下视觉特征与运动状态的时空对齐难题。在数据构建过程中，需处理高维传感器数据的实时同步与存储优化，确保2800帧多模态数据在仿真环境中的物理一致性。此外，仿真与真实世界的领域差异对模型迁移能力提出更高要求，需通过精细化任务设计弥合语义鸿沟。

常用场景

经典使用场景

在机器人操作学习领域，该数据集通过模拟汉堡配送任务，为双臂机器人行为策略的研发提供了关键实验平台。其多视角视觉观测与关节状态数据构成的时序序列，能够有效支撑模仿学习与强化学习算法的训练过程，尤其在复杂物体抓取和精细动作规划方面展现出显著价值。

解决学术问题

该数据集主要致力于解决机器人操作中的动作泛化与任务迁移问题。通过提供结构化关节控制指令与多模态感知数据，有效突破了传统方法在动态环境中动作生成的局限性，为研究跨场景操作策略的稳定性与适应性奠定了数据基础，推动了具身智能领域从仿真到实物的技术跨越。

实际应用

在服务机器人领域，该数据集支撑的算法模型可直接应用于餐饮配送、物流分拣等实际场景。基于视觉-动作映射的学习框架，使机器人能够适应不同形状物体的抓取需求，其生成的协调双臂运动策略为自动化服务系统提供了可靠的技术方案，显著提升了复杂环境下的任务执行效率。

数据集最近研究

最新研究方向

在机器人操作学习领域，双机械臂系统正成为实现复杂任务的关键平台。该数据集通过模拟汉堡配送场景，为多模态感知与动作协同研究提供了丰富数据支撑。当前前沿聚焦于视觉-动作联合建模，利用顶部与腕部摄像头数据构建空间理解能力，结合14维关节状态实现精细操作控制。随着模仿学习与强化学习的深度融合，此类数据集正推动端到端策略网络的发展，使机器人能够适应动态环境并完成递送类任务，为服务机器人产业化奠定算法基础。