eval_Taskone-raw-groot

该数据集是一个机器人操作数据集，使用LeRobot工具创建，包含6个完整的任务执行序列（episodes），总计9757个时间步（帧）。数据以分块形式存储，每块1000帧，总数据文件大小约100MB，关联视频文件约200MB，视频帧率为30fps。数据集仅包含一个任务，所有数据均划分为训练集。数据特征丰富：动作部分为6维浮点向量，表示机器人六个关节（肩部平移、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转、夹爪）的目标位置；观测部分包括状态（6维浮点向量表示关节实际位置）、wowskin（15维浮点向量传感器观测，具体含义未说明）和图像（两个RGB摄像头视角：基座摄像头分辨率480x640，腕部摄像头分辨率480x640）；元数据包括时间戳、帧索引、episode索引、全局索引和任务索引。该数据集适用于机器人学习任务，如模仿学习、强化学习和行为克隆，提供多模态的机器人状态、视觉观测和对应控制动作。

This dataset is a robotic manipulation dataset developed using the LeRobot toolkit, containing 6 complete task execution sequences (episodes) with a total of 9757 time steps (frames). The data is stored in chunks, with each chunk containing 1000 frames. The total size of the data files is approximately 100 MB, and the associated video files amount to about 200 MB, with a video frame rate of 30 fps. The dataset contains only one single task, and all data is exclusively split into the training set. The dataset includes rich multimodal features: the action space is represented by a 6-dimensional floating-point vector, which denotes the target positions of the robot's six joints (shoulder translation, shoulder lift, elbow flexion, wrist flexion, wrist rotation, and gripper); the observation space consists of three components: state (a 6-dimensional floating-point vector representing the actual joint positions), wowskin (a 15-dimensional floating-point vector sensor observation with its specific meaning not specified), and images captured from two RGB camera viewpoints: the base camera with a resolution of 480x640, and the wrist camera also with a resolution of 480x640; the metadata includes timestamps, frame index, episode index, global index, and task index. This dataset is suitable for robotic learning tasks such as imitation learning, reinforcement learning, and behavioral cloning, providing multimodal robotic state data, visual observations, and corresponding control actions.

原始信息汇总

数据集概述

• 数据集名称：eval_Taskone-raw-groot
• 许可证：Apache-2.0
• 任务类别：机器人学（Robotics）
• 标签：LeRobot
• 创建工具：LeRobot（https://github.com/huggingface/lerobot）

数据集结构

• 代码库版本：v3.0
• 机器人类型：so100_wowskin
• 总片段数（Episodes）：6
• 总帧数：9757
• 总任务数：1
• 数据块大小：1000
• 数据文件大小：约100 MB
• 视频文件大小：约200 MB
• 帧率（FPS）：30
• 数据集划分：仅包含训练集（train），涵盖片段索引0至5

数据特征

包含以下特征字段：

特征名	数据类型	形状	说明
action	float32	[6]	6个关节动作：shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos
observation.state	float32	[6]	6个关节状态，与action名称相同
observation.wowskin	float32	[15]	15维皮肤触觉传感器数据
observation.images.base	video	[480, 640, 3]	基座摄像头视频，分辨率480x640，AV1编码，30 FPS
observation.images.wrist	video	[480, 640, 3]	腕部摄像头视频，分辨率480x640，AV1编码，30 FPS
timestamp	float32	[1]	时间戳
frame_index	int64	[1]	帧索引
episode_index	int64	[1]	片段索引
index	int64	[1]	全局索引
task_index	int64	[1]	任务索引

数据与视频文件路径

• 数据文件路径：data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频文件路径：videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是驱动算法进步的关键基石。该数据集基于LeRobot框架构建，针对so100_wowskin型号的机器人进行数据采集。数据采集过程涵盖了6个完整episode，共计9757帧画面，所有数据均被划分为训练集（episode 0至5）。数据集以分块形式存储，每个分块包含1000帧，动作和状态观测特征均涵盖6维关节空间（包括肩部、肘部、腕部及夹爪位置），同时额外提供了15维的wowskin传感器数据。此外，还包含来自底座和腕部摄像头的AV1编码视频流，分辨率为480×640，帧率为30fps。这种结构化设计确保了数据的完整性和可复现性。

使用方法

使用该数据集时，推荐通过LeRobot库进行加载与处理。用户可直接调用LeRobot的数据加载工具，将parquet格式的文件解析为统一的数据字典，其中包含动作、观测状态、图像序列等关键信息。视频数据以MP4格式存储，可通过标准的视频解码库（如OpenCV）读取，并与帧同步的数值特征对齐。数据集已预设训练/验证划分，用户可直接基于其默认的0至5个episode进行模型训练。对于策略学习任务，常见的做法是将动作作为监督信号，以观测状态和图像作为输入，构建诸如扩散策略或行为克隆等模型。数据集的Apache-2.0许可也允许广泛的商业与学术用途。

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。该数据集由Hugging Face社区基于LeRobot框架创建，专为机器人操控任务设计，聚焦于so100_wowskin类型机械臂的精细动作学习。数据采集于2024年左右，包含6个完整episode、共9757帧时序数据，覆盖肩部、肘部、腕部及夹爪等多个关节运动维度。通过集成多视角视觉（基础相机与腕部相机）与触觉传感器（wowskin）信息，该数据集旨在解决机器人从示教轨迹中自主习得操控技能的核心问题，为模仿学习与强化学习研究提供了高保真度的真实世界实验素材，在简化机器人数据获取流程、推动低成本硬件平台的算法验证方面具有重要实践意义。

当前挑战

该数据集面临的挑战首先体现于领域核心难题：如何从有限的高维传感数据中泛化出鲁棒的机器人操控策略。数据仅包含单一任务与6条示范轨迹，远不足以覆盖真实场景下的状态空间多样性，且缺乏对动态环境突变、物体位置偏移等干扰因素的建模。在构建过程中，需协调多模态异构数据的精确时序对齐，包括30fps的视频流、触觉信号与六自由度动作指令的同步采集。此外，数据存储采用分块parquet格式与AV1视频编码，虽利于高效压缩存储，却对后续数据加载与实时回放的计算效率提出了更高要求，且未标注失败案例或负样本，限制了算法对边界场景的学习能力。

常用场景

经典使用场景

在机器人学习领域，eval_Taskone-raw-groot数据集为模仿学习与行为克隆任务提供了高保真的训练与评估平台。该数据集源自so100_wowskin型机器人的遥操作演示，记录了六自由度关节角度、触觉传感信号及双视角视觉流等完整的状态-动作轨迹。研究者可凭借其精细的动作空间和密集型时序观测，训练机器人执行诸如抓取、操作等单一任务，并借助30帧/秒的视频数据增强策略的鲁棒性。该数据集的经典用法在于验证端到端策略网络从视觉输入到关节空间的映射性能，尤其适用于评估卷积神经网络或Transformer架构在机器人控制中的泛化能力。

解决学术问题

该数据集有效回应了机器人领域中模仿学习样本效率低与多模态融合难的核心议题。通过提供同步记录的动作、本体感知与触觉反馈，它打破了传统数据集仅依赖图像或状态数据的局限，使学术研究能够深入探索多模态信息如何协同提升策略的鲁棒性。具体而言，研究者可利用其中15维触觉信号与六维动作空间的耦合关系，解决接触任务中力位混合控制的建模难题。其意义在于为机器人技能习得提供了可复现的基准，推动了从简单轨迹跟踪到复杂交互操作的范式转变。

实际应用

在实际工业与生活场景中，该数据集支撑着机器人从预设编程向自适应操作的进化。例如，借助该数据集训练的策略模型，可被部署于柔性装配线上，使机械臂通过视觉与触觉的实时闭环调整，完成精密部件的装配任务。在服务机器人领域，基于该数据集的算法能够辅助机器人学习开瓶、拧螺丝等精细操作，提升人机协作的流畅性。由于数据集遵循Apache-2.0开源协议，企业可低成本地迁移其训练成果，缩短从实验室原型到产线落地的周期。

数据集最近研究

最新研究方向

基于LeRobot框架的so100_wowskin机器人操作数据集，聚焦于模仿学习与视觉运动策略的前沿探索。该数据集包含6个示范轨迹、近万帧高保真观测数据，融合6自由度关节状态与15维触觉传感器信号，配合双视角视频流（480p、30fps、AV1编码），为机器人精细化操作任务提供多模态学习基准。当前研究热点集中于利用此类低样本量数据集验证模型泛化能力，特别是在小样本模仿学习、跨场景迁移以及触觉-视觉融合决策等方向。该数据集还支持与LeRobot生态的无缝集成，推动可复现的机器人学习研究，在具身智能与灵巧操控领域具有里程碑意义。