trajectory_primitive

该数据集包含弗兰卡机械臂末端执行器在物体坐标系中生成的笛卡尔轨迹数据。每条轨迹描述了末端执行器相对于物体坐标系的运动，而非世界坐标系，这使得数据更适合于物体位置泛化任务。数据集按结果存档组织，每个存档存储了激活特定运动基元的不同轨迹，存档命名遵循IdObject_TypeJoint_IndexJoint的文件夹约定。每条轨迹以JSON格式存储，包含关键帧序列和元数据字段，如object_to_grasp（目标操作物体）、joint_nature（关节交互类型）和item_joint_to_activate（激活关节或控制目标）。该数据集可直接通过ROS2的RViz或QD-Trajectory Viewer的Genesis Replay进行可视化。

原始信息汇总

数据集概述

数据集名称

Object-Centric Trajectory Dataset (Franka End-Effector in Object Frame)

数据集描述

该数据集包含为Franka机械臂生成的、以物体为中心的笛卡尔轨迹。每条轨迹表示在物体坐标系中表达的FR3末端执行器的运动。

数据集结构

• 轨迹数据被组织成结果存档。
• 每个结果存档存储多样化的轨迹，用于激活特定的激活基元。
• 文件夹命名约定为：IdObject_TypeJoint_IndexJoint。

数据格式

• 数据集中的每一行对应一条以JSON格式存储的轨迹。
• 一条轨迹包含一系列关键帧。
• 每条轨迹包含以下元数据字段：
  • object_to_grasp: 用于操作的目标物体。
  • joint_nature: 关节交互类型。
  • item_joint_to_activate: 活动关节或控制目标。

可视化工具

1. RViz (ROS2 Deployment on Real Robot): 可在RViz中使用ROS2直接可视化轨迹。
2. Genesis Replay (QD-Trajectory Viewer): 将结果存档存储在other_pkgs/resutls/目录下并运行重放模式。
3. Hugging Face Space: 快速可视化结果存档示例，请访问：https://huggingface.co/spaces/mathildekappel/trajectory_primitive_visualisation_space

联系方式

[e-mail]

搜集汇总

数据集介绍

构建方式

在机器人操作领域，精准的轨迹生成对于实现灵巧的物体交互至关重要。该数据集通过记录Franka机械臂末端执行器在物体坐标系下的运动轨迹而构建，每条轨迹均以目标物体为参考系，捕捉了机械臂与物体之间的相对运动。数据采集过程模拟了真实的操作场景，将轨迹按目标物体、关节类型及激活索引进行系统化归档，确保了数据的结构化和可追溯性。

特点

该数据集的核心特征在于其物体中心化的轨迹表示，将末端执行器的运动完全置于物体坐标系中，从而剥离了世界坐标系的影响。这种表示方式不仅增强了轨迹对于物体位置变化的泛化能力，还直接编码了机器人对物体的操作意图。数据集以JSON格式存储，每条轨迹包含关键帧序列及目标物体、关节性质等元数据，为基于学习的机器人控制提供了结构清晰、语义丰富的训练样本。

使用方法

为有效利用该数据集，用户可直接加载JSON格式的轨迹文件进行解析与处理。数据集支持多种可视化方式，例如通过ROS2在RViz中部署以在真实机器人上预览轨迹，或使用专用的QD轨迹查看器进行回放分析。这些工具便于研究者直观验证轨迹的物理合理性与操作逻辑，进而将其应用于模仿学习、轨迹生成或机器人技能泛化等高级任务中。

背景与挑战

背景概述

在机器人操作与轨迹规划领域，对象中心轨迹数据集（trajectory_primitive）代表了近年来的重要研究方向。该数据集由法国索邦大学智能系统与机器人研究所（ISIR）的Mathilde Kappel等研究人员创建，专注于解决机器人末端执行器在对象坐标系下的运动轨迹生成问题。其核心研究问题在于如何使机器人能够基于对象参考系进行泛化操作，从而提升在不同物体放置环境下的适应性与灵活性。该数据集的构建为机器人学习、轨迹优化及对象交互研究提供了关键的数据支持，推动了机器人操作从世界坐标系向对象中心范式的转变，对机器人自主操作技术的发展产生了积极影响。

当前挑战

该数据集旨在解决机器人操作中对象中心轨迹生成与泛化的挑战，具体包括如何在不同物体姿态下保持轨迹的有效性，以及如何实现跨对象放置的泛化能力。在构建过程中，研究人员面临多重挑战：首先，需要精确捕获Franka机械臂末端执行器在对象坐标系下的运动序列，确保轨迹数据的准确性与一致性；其次，数据组织需遵循复杂的归档结构（如IdObject_TypeJoint_IndexJoint），以支持多样化的轨迹激活原语；此外，轨迹可视化与部署依赖于ROS2等特定工具链，增加了数据使用与验证的技术门槛。这些挑战共同凸显了对象中心轨迹数据在采集、标准化与应用方面的复杂性。

常用场景

经典使用场景

在机器人操作与轨迹规划领域，该数据集为研究物体中心轨迹表示提供了关键资源。其经典使用场景聚焦于训练和评估机器人手臂（如Franka机械臂）在物体坐标系下的运动策略，通过将末端执行器的轨迹以物体为参考系进行编码，支持机器人学习与物体交互的泛化能力，尤其适用于物体放置位置变化时的适应性操作任务。

解决学术问题

该数据集有效解决了机器人学中轨迹泛化与物体中心表示的核心学术问题。传统轨迹规划常依赖于世界坐标系，难以适应物体位置变动；而该数据集通过提供物体坐标系下的轨迹数据，促进了跨物体放置的泛化研究，推动了机器人操作中对物体交互的抽象建模，为基于学习的轨迹生成与优化方法提供了实证基础。

衍生相关工作

围绕该数据集，衍生出多项经典研究工作，主要集中在物体中心轨迹学习与质量多样性（QD）优化领域。例如，基于该数据集的轨迹存档，研究者开发了QD-Trajectory Viewer等可视化工具，并探索了激活原语（activation primitive）的多样性生成方法，进一步推动了机器人技能学习与轨迹库构建的前沿进展。