meGirishM/basketball_April_30

该数据集由LeRobot创建，主要用于机器人领域。数据集包含10个episodes，共21196帧，30fps。数据以parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB。特征包括动作（9个浮点数）、观察状态（9个浮点数）、前端和腕部图像（分别为480x640x3和640x480x3的视频）、时间戳、帧索引、episode索引等。This dataset was created using LeRobot and is primarily used in the robotics field. It contains 10 episodes with a total of 21,196 frames at 30fps. The data is stored in parquet format, with a total data file size of 100MB and video file size of 200MB. Features include actions (9 floats), observation states (9 floats), front and wrist images (videos of 480x640x3 and 640x480x3 respectively), timestamps, frame indices, episode indices, etc.

搜集汇总

数据集介绍

构建方式

在机器人学习与自主操控的蓬勃发展浪潮中，精确且丰富的演示数据集是驱动算法进化的基石。basketball_April_30 数据集基于 LeRobot 开源框架构建，旨在捕获篮球相关操作任务的精细运动轨迹。该数据集包含 10 个完整演示片段，共计 21196 帧，所有数据均经过标准化为 30 FPS 的采样频率。数据通过 Parquet 格式的 chunk 文件与 AV1 编码的视频文件存储，每千帧组成一个 chunk，以优化大规模序列化数据的加载与处理效率。数据集的训练集涵盖全部 10 个片段，确保模型能够完整学习单一任务下的多模式操控策略。

使用方法

使用该数据集时，推荐通过 LeRobot 库的 Dataset 接口进行加载，系统会自动解析 metainfo 中的 JSON 配置，完成 Parquet 数据与视频文件的配对。训练前无需额外预处理，数据集已内置默认的 0:10 训练划分。研究者可直接将 action 和 observation.state 作为模型输出的目标与观测输入，同时利用 observation.images.front 和 wrist 作为视觉表征。该数据集的通用属性使其能够无缝集成至 end-to-end 模仿学习或离线强化学习流水线中，特别适用于涉及抓取、移动与投掷动作的机器人操控任务研究。

背景与挑战

背景概述

随着机器人学习领域的迅猛发展，高质量、标准化的数据集成为推动算法进步的关键基石。basketball_April_30数据集诞生于这一背景下，由Hugging Face团队基于LeRobot框架创建，旨在为机器人操作任务提供精细化的多模态训练资源。该数据集聚焦于篮球相关动作的模仿学习，记录了单任务、10个回合共21196帧的机器人运动数据，涵盖机械臂关节角度、末端执行器位姿及速度等9维动作与状态信息，并辅以前置与腕部双视角视频流（30FPS），为研究机器人感知-控制闭环提供了丰富样本。作为LeRobot生态中的开源贡献，该数据集以Apache-2.0许可发布，促进了学术与工业界在机器人技能获取方面的可复现研究，尤其在少样本模仿学习和多模态融合领域具有潜在影响力。

当前挑战

该数据集的核心挑战在于解决机器人操作任务中领域泛化性与数据效率的双重难题。一方面，篮球动作涉及高度动态的物体交互（如接球、运球），对实时感知与精细控制提出严苛要求，现有数据集多依赖静态场景或预设轨迹，难以适应真实环境的随机扰动与视觉遮挡。另一方面，数据集构建过程面临多模态数据同步难题：9维动作向量需与双摄像头视频流（分辨率各异）及时间戳严格对齐，任何帧偏移均会导致策略学习失效；此外，仅10个回合的有限样本量（总帧数21196）虽便于快速实验，却难以覆盖操作中的状态多样性，易引发过拟合与策略脆弱性，亟需结合元学习或数据增强技术以提升鲁棒性。

常用场景

经典使用场景

在机器人学习与模仿学习的交叉领域，basketball_April_30数据集为基于视觉的运动技能习得提供了珍贵的实验素材。该数据集记录了双臂移动机器人lekiwi_client执行投篮任务的完整过程，包含10个回合、共计21196帧的高频时序数据（30fps），涵盖了前视与腕部双视角的视觉观测、9维关节和位姿状态变量以及对应的动作指令。研究者常利用这些对齐的多模态数据，训练从视觉输入到运动输出的端到端策略网络，以实现机器人对复杂动态任务的精准模仿。

解决学术问题

该数据集有效回应了机器人领域中从演示中学习的核心挑战：如何在高维视觉与运动空间中建立可靠的映射关系。依托多视角视觉流、机器人的运动学状态以及动作序列，数据集支持研究者探索行为克隆、逆强化学习以及基于模型的模仿学习等方法在非结构化环境中的泛化能力。其意义在于为验证算法在真实物理系统上的可迁移性提供了标准化基准，推动了机器人通过示范获取灵巧操作技能的理论框架发展。

实际应用

在实际应用层面，basketball_April_30数据集所包含的投篮任务场景，直接服务于服务机器人与运动辅助设备的技能部署。通过在该数据集上训练的模型，机器人可以在家庭、健身房或体育场馆等环境中自主完成捡球、定位篮筐并执行投射的动作链条，减少人工编程的繁琐流程。此外，双视觉传感器设计便于在遮挡或光照变化下保持感知鲁棒性，使得该数据集的训练成果更贴近商业落地时对安全性、稳定性的严苛要求。

数据集最近研究

最新研究方向

在具身智能与机器人学习领域，basketball_April_30数据集为基于视觉-运动联合表征的模仿学习研究提供了关键支撑。该数据集基于LeRobot框架采集，包含10个完整回合、超过2万帧的高频（30fps）多模态数据，涵盖了6自由度机械臂关节空间与2维底盘速度的精细动作指令，辅以640×480分辨率的腕部与480×640分辨率的前置视觉影像。研究热点聚焦于利用此类高质量演示数据训练泛化性更强的端到端操作策略，尤其是在动态物体操控与即时环境响应这一前沿方向上，通过与热门的扩散策略（Diffusion Policy）及基于Transformer的决策架构结合，推动机器人从简单重现走向具备零样本迁移能力的智能交互。该数据集对降低真实机器人数据采集成本、加速仿真到现实（Sim2Real）的闭环验证具有显著的示范意义。