one_arm_dumpling

该数据集是一个机器人学习数据集，包含Unitree G1 Inspire DFTP型机器人的动作数据。数据集共有324个剧集，每个剧集包含多个视频片段和对应的Parquet格式数据文件，总计648个视频文件。数据集分为训练集，没有提及测试集。数据集提供了机器人的关节状态、动作、摄像头图像等信息，所有视频的帧率为30fps，图像分辨率为3通道的640x480。数据集采用Apache-2.0许可。

原始信息汇总

数据集概述

基本信息

• 名称: one_arm_dumpling
• 任务类别: 机器人学
• 标签: LeRobot
• 许可证: Apache-2.0
• 创建工具: LeRobot

数据集结构

• 总任务数: 1
• 总片段数: 324
• 总帧数: 143306
• 总视频数: 648
• 数据块数: 1
• 数据块大小: 1000
• 帧率: 30 fps
• 分割: 训练集（0:324）

数据特征

观察状态

• 名称: observation.state
• 数据类型: float32
• 形状: [13]
• 关节名称:
  • kLeftShoulderPitch
  • kLeftShoulderRoll
  • kLeftShoulderYaw
  • kLeftElbow
  • kLeftWristRoll
  • kLeftWristPitch
  • kLeftWristYaw
  • kLeftHandIndex
  • kLeftHandMiddle
  • kLeftHandRing
  • kLeftHandPinky
  • kLeftHandThumbDistal
  • kLeftHandThumbProximal

动作

• 名称: action
• 数据类型: float32
• 形状: [13]
• 关节名称: 与观察状态相同

图像观察

高位摄像头

• 名称: observation.images.cam_high
• 数据类型: 视频
• 形状: [3, 480, 640]
• 视频信息:
  • 帧率: 30.0
  • 高度: 480
  • 宽度: 640
  • 通道数: 3
  • 编解码器: av1
  • 像素格式: yuv420p
  • 深度图: 否
  • 音频: 无

左手腕摄像头

• 名称: observation.images.cam_left_wrist
• 数据类型: 视频
• 形状: [3, 480, 640]
• 视频信息: 与高位摄像头相同

元数据

• 时间戳: float32, 形状[1]
• 帧索引: int64, 形状[1]
• 片段索引: int64, 形状[1]
• 索引: int64, 形状[1]
• 任务索引: int64, 形状[1]

数据存储

• 数据文件格式: Parquet
• 数据路径模式: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径模式: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

机器人信息

• 机器人类型: Unitree_G1_Inspire_DFTP
• 代码库版本: v2.1

搜集汇总

数据集介绍

构建方式

在机器人操作任务的数据采集领域，one_arm_dumpling数据集依托LeRobot框架系统构建。该数据集通过Unitree G1 Inspire DFTP型机器人执行单臂操作任务，采集了324个完整交互片段，总计143,306帧数据，以30fps的帧率同步记录多模态观测信息与动作指令，并以分块Parquet格式高效存储。

使用方法

研究者可通过解析Parquet数据文件与配套视频文件开展机器人模仿学习与行为克隆研究。数据按训练集完整划分（324个片段），支持端到端策略训练或分层强化学习建模。视觉观测与关节状态的对齐设计便于开发感知-控制联合模型，而高帧率视频流可用于动态行为分析与跨模态表征学习。

背景与挑战

背景概述

在机器人操作任务研究领域，one_arm_dumpling数据集由LeRobot团队基于Unitree G1 Inspire DFTP机器人平台构建，专注于单臂精细操作任务的演示数据收集。该数据集通过324个完整 episodes 和143,306帧多模态数据，记录了机械臂13个关节的状态观测与动作指令，同时配备高分辨率腕部与全局视角的双摄像头视觉反馈。其构建旨在推动模仿学习与强化学习算法在复杂操作任务中的泛化能力研究，为机器人自主执行精细化操作任务提供高质量的真实世界演示数据。

当前挑战

该数据集核心挑战在于解决高自由度机械臂的精细操作任务泛化问题，特别是针对动态环境下的抓取与操作稳定性。构建过程中面临多模态数据同步与校准的技术难题，需要精确协调13维关节状态数据与双视角视觉流的时间对齐。此外，大规模真实机器人数据采集存在硬件损耗风险与操作一致性保障的挑战，需设计鲁棒的数据采集流水线确保演示质量与数据完整性。

常用场景

经典使用场景

在机器人操作学习领域，one_arm_dumpling数据集通过记录Unitree G1 Inspire DFTP单臂机器人的关节状态与视觉数据，为模仿学习与强化学习算法提供了丰富的训练素材。其包含的324个完整交互序列与多视角视频流，能够有效支持机器人抓取、物体操控等精细操作任务的策略训练与验证。

解决学术问题

该数据集解决了机器人学习中对高维状态-动作空间联合建模的挑战，通过提供精确的13维关节控制信号与同步多视角视觉观测，为研究者在行为克隆、逆强化学习等领域提供了标准化的评估基准。其结构化数据格式显著降低了多模态数据融合研究的门槛，推动了机器人感知-动作闭环控制理论的发展。

实际应用

基于该数据集训练的模型可应用于工业装配线物料分拣、康复机器人辅助操作等场景。其记录的精细手部动作与视觉反馈对服务机器人的餐具操控、物品整理等日常任务具有直接参考价值，为机器人适应非结构化环境提供了重要的数据支撑。

数据集最近研究

最新研究方向

在机器人操作学习领域，单臂仿生机械手的精细控制正成为研究热点。该数据集通过Unitree G1 Inspire DFTP机器人采集的324个任务片段，为模仿学习与强化学习算法提供了多模态训练数据。当前研究聚焦于从视觉感知到关节动作的端到端映射，结合高分辨率摄像头与13维关节状态数据，推动具身智能在复杂操作任务中的泛化能力。随着家庭服务机器人需求增长，此类数据对解决真实环境中的灵巧操作问题具有重要价值，为机器人行为克隆与策略迁移提供了基准支持。