trz6i/lerobot0_5_3cams_WhitebackgroungSlowlefttop2

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=trz6i/lerobot0_5_3cams_WhitebackgroungSlowlefttop2">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "so_follower",
"total_episodes": 20,
"total_frames": 14821,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:20"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.top_right": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.top_left": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.wrist": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

许可证：Apache-2.0
任务类别：
- 机器人学
标签：
- LeRobot（LeRobot）
配置项：
- 配置名称：default
数据文件：data/*/*.parquet

---

本数据集由[LeRobot（LeRobot）](https://github.com/huggingface/lerobot)开发构建。

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=trz6i/lerobot0_5_3cams_WhitebackgroungSlowlefttop2">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## 数据集说明
- **主页：** [需补充更多信息]
- **论文：** [需补充更多信息]
- **许可证：** Apache-2.0

## 数据集结构
`meta/info.json` 文件内容如下：
json
{
"代码库版本": "v3.0",
"机器人类型": "so_follower",
"总回合数": 20,
"总帧数": 14821,
"总任务数": 1,
"分块大小": 1000,
"数据文件总大小（MB）": 100,
"视频文件总大小（MB）": 200,
"帧率": 30,
"数据集划分": {
"训练集": "0:20"
},
"数据路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"视频路径格式": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"数据特征": {
"动作": {
"数据类型": "float32",
"特征名称": [
"肩关节偏航关节位置",
"肩关节俯仰关节位置",
"肘关节屈曲关节位置",
"腕关节屈曲关节位置",
"腕关节滚转关节位置",
"夹爪位置"
],
"形状": [
6
]
},
"观测状态": {
"数据类型": "float32",
"特征名称": [
"肩关节偏航关节位置",
"肩关节俯仰关节位置",
"肘关节屈曲关节位置",
"腕关节屈曲关节位置",
"腕关节滚转关节位置",
"夹爪位置"
],
"形状": [
6
]
},
"观测图像.右上角摄像头": {
"数据类型": "video",
"形状": [
480,
640,
3
],
"维度名称": [
"高度",
"宽度",
"通道数"
],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"视频像素格式": "yuv420p",
"非深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"无音频": false
}
},
"观测图像.左上角摄像头": {
"数据类型": "video",
"形状": [
480,
640,
3
],
"维度名称": [
"高度",
"宽度",
"通道数"
],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"视频像素格式": "yuv420p",
"非深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"无音频": false
}
},
"观测图像.腕部摄像头": {
"数据类型": "video",
"形状": [
480,
640,
3
],
"维度名称": [
"高度",
"宽度",
"通道数"
],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"视频像素格式": "yuv420p",
"非深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"无音频": false
}
},
"时间戳": {
"数据类型": "float32",
"形状": [
1
],
"维度名称": null
},
"帧索引": {
"数据类型": "int64",
"形状": [
1
],
"维度名称": null
},
"回合索引": {
"数据类型": "int64",
"形状": [
1
],
"维度名称": null
},
"全局索引": {
"数据类型": "int64",
"形状": [
1
],
"维度名称": null
},
"任务索引": {
"数据类型": "int64",
"形状": [
1
],
"维度名称": null
}
}
}

## 参考文献
**BibTeX格式：**
bibtex
[需补充更多信息]

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是算法训练与验证的基石。lerobot0_5_3cams_WhitebackgroungSlowlefttop2数据集依托LeRobot平台构建，通过真实机器人交互采集多模态数据。该数据集包含20个完整任务片段，总计14821帧，以30帧每秒的速率记录。数据以分块Parquet文件形式存储，每块约1000帧，便于高效读取与处理。采集过程中，机器人执行单一任务，同步记录其六维关节位置状态与来自顶部左右及腕部三路摄像头的视觉信息，所有视频均采用AV1编码，确保数据的一致性与完整性。

特点

该数据集的核心特征在于其丰富的多模态观测与精确的动作标注。观测部分不仅包含机器人的六维关节位置状态，还融合了三路高分辨率摄像头捕获的RGB视频流，每路视频分辨率达640x480，为模型提供了多视角的环境感知能力。动作空间同样以六维浮点数向量定义，直接对应机器人的关节控制。数据集结构清晰，通过帧索引、片段索引等元数据实现精细的时间与任务对齐，所有数据均以标准化格式组织，支持大规模机器学习流程的直接接入。

使用方法

对于研究者而言，该数据集适用于机器人模仿学习、视觉运动策略学习等前沿方向。用户可通过LeRobot提供的工具链或Hugging Face数据集库直接加载数据，利用其预定义的特征结构访问关节状态、动作指令及多路视频帧。数据集已划分为训练集，涵盖全部20个片段，可用于训练端到端的控制模型。此外，数据集附带的可视化工具支持直观浏览数据内容，辅助算法调试与结果分析，为机器人学习研究提供了即用型的高质量资源。

背景与挑战

背景概述

在机器人学习领域，高质量、多模态数据集的构建对于推动模仿学习与强化学习算法的进步至关重要。lerobot0_5_3cams_WhitebackgroungSlowlefttop2数据集由Hugging Face的LeRobot项目团队创建，依托开源机器人学习框架，旨在为机器人操作任务提供丰富的视觉与状态动作轨迹数据。该数据集聚焦于机械臂的跟随控制任务，通过集成三路摄像头视角，记录了机械臂关节位置、夹持器状态及同步视频流，为研究复杂环境下的机器人感知与决策提供了实证基础。尽管具体创建时间与核心论文信息暂未公开，但其遵循Apache 2.0许可开放共享，体现了开源社区在推动机器人学习数据标准化方面的努力。

当前挑战

该数据集致力于解决机器人模仿学习中从多视角视觉观测到连续动作映射的挑战，其核心问题在于如何利用异构传感器数据训练出鲁棒且泛化能力强的策略模型。构建过程中的挑战尤为显著：首先，多摄像头数据的同步采集与对齐需要精密的时间戳校准，以确保视觉流与机械臂状态的一致性；其次，大规模视频数据的存储与高效读取面临压缩编码与格式统一的难题，数据集采用AV1编码以平衡质量与体积。此外，在有限任务场景下采集的20个轨迹虽具代表性，但数据多样性可能不足，制约了模型在更广泛操作任务上的泛化性能。这些挑战共同指向了机器人数据集在规模、质量与实用性之间寻求平衡的核心议题。

常用场景

经典使用场景

在机器人学习领域，多视角视觉数据对于提升模型的环境感知能力至关重要。该数据集通过三台摄像机（顶部左、顶部右及腕部视角）同步采集高清视频流，结合六自由度机械臂的关节位置与夹爪状态，为模仿学习与强化学习算法提供了丰富的多模态训练素材。其经典使用场景在于训练机器人执行复杂操作任务，例如在受控的白色背景环境中进行缓慢的左上方位移动作，使模型能够从多角度观察中学习精细的运动策略与空间关系。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在多模态表示学习与策略迁移方面。研究者利用其同步的视频与状态数据，开发了端到端的视觉运动控制模型，如基于Transformer的跨视角注意力机制，以及结合逆强化学习的模仿算法。这些工作进一步推动了机器人感知-动作一体化框架的发展，并在LeRobot等开源平台上形成了丰富的算法生态，持续赋能机器人社区的创新研究。

数据集最近研究

最新研究方向

在机器人学习领域，多视角视觉数据正成为提升模型泛化能力的关键。lerobot0_5_3cams_WhitebackgroungSlowlefttop2数据集通过集成顶部左右及腕部三路摄像头，提供了丰富的视觉观测信息，这为研究视觉-动作映射的前沿方法奠定了数据基础。当前研究热点聚焦于利用此类多模态数据训练端到端的模仿学习模型，特别是在复杂背景下的机器人操作任务中，探索如何有效融合不同视角的视觉特征以提升动作预测的精确性。随着具身智能和通用机器人技术的兴起，该数据集在推动视觉引导的机器人控制算法发展方面具有显著意义，为学术界和工业界提供了宝贵的实验资源，助力实现更智能、更灵活的自动化系统。