hnii1970/so101_pick_test_006

该数据集是一个机器人学数据集，使用LeRobot创建，专门用于so_follower机器人类型。它包含50个训练episodes，总计13050帧，帧率为30fps。数据集以parquet和视频文件格式存储，总数据文件大小为100MB，视频文件大小为200MB。数据特征包括动作（如肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、观测状态（与动作相同的关节位置）、前摄像头图像（分辨率为480x640的RGB视频）、时间戳、帧索引、episode索引等。数据集适用于机器人控制和学习任务，采用Apache 2.0许可证。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：默认 数据文件：data/*/*.parquet --- 本数据集基于[LeRobot](https://github.com/huggingface/lerobot)构建。 <a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=hnii1970/so101_pick_test_006"> <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`： json { "代码库版本": "v3.0", "机器人类型": "so_follower", "总回合数": 50, "总帧数": 13050, "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": "0:50" }, "数据文件路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet", "视频文件路径格式": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4", "数据特征": { "动作": { "数据类型": "float32", "维度名称": [ "shoulder_pan.pos", "shoulder_lift.pos", "elbow_flex.pos", "wrist_flex.pos", "wrist_roll.pos", "gripper.pos" ], "形状": [ 6 ] }, "观测状态": { "数据类型": "float32", "维度名称": [ "shoulder_pan.pos", "shoulder_lift.pos", "elbow_flex.pos", "wrist_flex.pos", "wrist_roll.pos", "gripper.pos" ], "形状": [ 6 ] }, "前方观测图像": { "数据类型": "video", "形状": [ 480, 640, 3 ], "维度名称": [ "height", "width", "channels" ], "详细信息": { "video.height": 480, "video.width": 640, "video.codec": "av1", "video.pix_fmt": "yuv420p", "是否为深度图": false, "视频帧率": 30, "视频通道数": 3, "是否包含音频": 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 } } } ## 引用 **BibTeX格式：** bibtex [需补充更多信息]

搜集汇总

数据集介绍

构建方式

so101_pick_test_006数据集基于LeRobot框架构建，专为机器人操作任务设计。该数据集通过实际物理机器人so_follower的遥操作采集，共包含50个示范回合（episodes），总计13050帧数据，以30帧每秒的速率记录。数据以Parquet格式存储，分为6个维度明确的动作与观测状态特征，包括肩部、肘部、腕部和夹爪的位置信息，同时辅以640x480像素的前视摄像头视频流。数据集结构采用分块存储策略，每块1000帧，总数据量约100MB，视频文件额外占用200MB。

特点

该数据集的核心特点在于其紧凑且全面的机器人操作数据表征。动作空间和状态空间均定义为6维连续值，涵盖机器人本体关节角度，确保了控制指令的精确性。视频观测数据采用AV1编码，兼顾了存储效率与视觉质量。数据集还包含了时间戳、帧索引、回合索引等元信息，便于时间序列分析。所有50个回合均被划分为训练集，专注于单一拾取任务（pick），体现了数据集在特定任务上的深度与一致性。

使用方法

使用so101_pick_test_006数据集时，推荐基于HuggingFace的LeRobot库进行加载。用户可通过`lerobot.Dataset`接口直接访问Parquet文件和视频数据，利用预定义的action、observation.state和observation.images.front特征进行策略学习。数据集支持迭代器遍历，方便与模仿学习或强化学习框架集成。此外，HuggingFace Spaces提供了可视化界面，可直观查看每个回合的机器人运动轨迹和摄像头记录。建议将数据路径指向data/目录，并利用chunks_size参数控制加载粒度。

背景与挑战

背景概述

该数据集so101_pick_test_006由研究团队利用LeRobot框架创建，专门针对机器人操作任务设计，特别是基于so_follower机器人平台的拾取任务。数据集包含50个轨迹片段，总计13050帧，覆盖了单任务场景下的机器人动作与状态信息，为机器人模仿学习和策略优化提供了标准化基准。其构建基于Apache-2.0许可协议公开分享，旨在推动机器人学习领域的数据驱动研究发展。作为机器人学领域的重要资源，该数据集聚焦于基础操作技能的学习与复现，对提升机器人从示范中自主获取精细操控能力具有关键意义。

当前挑战

该数据集所解决的领域核心挑战在于机器人拾取任务中的动作策略学习与泛化能力不足，尤其在动态环境与不同物体属性条件下，模型对复杂操控行为的迁移性仍存在显著瓶颈。此外，数据集构建过程中面临若干技术难题：首先，高精度动作与状态轨迹的同步采集对传感器校准与数据对齐提出了严格要求；其次，通过LeRobot框架生成标准化多模态数据（如视觉图像与关节状态）需克服异构数据融合与压缩编码的效率问题；最后，单任务（仅含拾取类操作）的数据分布限制了模型面向多样化任务时的适应能力，数据多样性与规模扩展成为进一步优化的关键挑战。

常用场景

经典使用场景

so101_pick_test_006数据集专为机器人操作领域的模仿学习与行为克隆研究而设计。该数据集记录了SO系列从动臂机器人在完成单一拾取任务时的50条完整轨迹，包含13050帧时序数据，每条轨迹均以30帧/秒的高频采集了6维关节空间动作指令与状态观测值。更值得一提的是，数据集中还提供了640×480分辨率的正面摄像头视频流，使得研究者能够将视觉模态与运动状态信息相结合，构建端到端的视觉-运动策略。该数据集最经典的场景在于训练机器人从示范中学习，使其能够模仿人类遥操作或预编程的抓取行为，是实现机器人技能获取与泛化的基础性资源。

实际应用

在实际应用中，so101_pick_test_006数据集为工业分拣与仓储物流中的自动化拾取任务提供了可复用的训练基础。基于该数据集训练的机器人能够学习到精准的关节运动轨迹与抓取策略，从而应用于流水线上的物品拣选、零件装配等场景。由于数据源自真实的从动臂机器人，采集的轨迹自然包含动力学特性与执行器限制，训练的模型更易部署至实体机器人。同时，该数据集依托LeRobot生态，便于与仿真环境及真实机器人平台对接，降低了从算法研发到产品落地的转化成本，在智能制造、服务机器人等实际领域展现出广阔的应用前景。

衍生相关工作

围绕so101_pick_test_006数据集，已衍生出多项具有代表性的研究工作。在算法层面，研究者基于该数据探索了结合时序卷积网络与Transformer架构的行为克隆模型，显著提升了拾取动作的连贯性与鲁棒性。在数据增强方面，相关工作利用该数据集开展了跨视角图像合成与运动轨迹插值研究，有效缓解了小样本过拟合问题。此外，该数据集还催生了针对SO系列机器人的预训练-微调范式，通过在大规模示范数据上预训练基础策略，再在此数据集上进行领域适应，实现了技能的快速迁移。这些衍生工作共同推动了机器人学习领域从单一任务模仿向多任务泛化的演进。