leehe228/so101_circle_assembly_test10

该数据集是一个机器人数据集，使用LeRobot创建，专门针对so101_follower机器人类型。它包含1个总剧集、799个总帧和1个总任务，数据以Parquet文件格式存储，视频文件为MP4格式，帧率为30fps，分辨率为720x1280。数据集的特征包括动作（如关节位置：肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、观测状态（相同的关节位置）、来自前部和腕部摄像头的图像观测（每个摄像头提供RGB视频流），以及元数据如时间戳、帧索引、剧集索引、索引和任务索引。这些数据适用于机器人学习和控制任务，如模仿学习或强化学习。This dataset is a robotics dataset created using LeRobot, specifically for the so101_follower robot type. It contains 1 total episode, 799 total frames, and 1 total task, with data stored in Parquet file format and video files in MP4 format at 30fps and 720x1280 resolution. The features include actions (e.g., joint positions: shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), observation states (same joint positions), image observations from front and wrist cameras (each providing RGB video streams), and metadata such as timestamp, frame index, episode index, index, and task index. This data is suitable for robotics learning and control tasks, such as imitation learning or reinforcement learning.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专注于机器人领域的示范学习任务。数据采集自so101_follower型机器人，通过远程操作或自主执行完成一个特定的圆形装配任务，共收录1个完整回合（episode），包含799帧时序数据。数据以Parquet格式存储于分块文件（chunk-xxx/file-xxx.parquet）中，视频数据则采用AV1编码以MP4格式保存，确保高保真视觉信息。数据集预设了训练集划分（0:1），便于直接用于模型训练与评估。

特点

数据集涵盖了六维机器人关节空间的动作指令（action）与状态观测（observation.state），具体包括肩部、肘部、腕部及夹爪的位置信息。同时，配备了两个高清摄像头（前方与腕部视角），以1280×720分辨率、30帧/秒的速率记录视觉观察（observation.images），为模仿学习提供丰富的多模态感知数据。数据集的元信息通过info.json文件明确记录，包括机器人类型、帧率、数据量及特征结构，保证了数据的高可用性与可复现性。

使用方法

数据集可通过Hugging Face的LeRobot库便捷加载，支持将Parquet与MP4文件自动解析为统一的示范学习格式。用户可依据meta/info.json中定义的16个特征字段（如动作、状态、图像、时间戳等）构建输入输出对，用于策略网络训练。建议采用分块索引（chunk_index与file_index）进行数据读取，以优化长序列数据的内存管理。该数据集特别适用于机器人操作技能的少样本模仿学习、行为克隆及视觉运动策略的研究与开发。

背景与挑战

背景概述

so101_circle_assembly_test10数据集诞生于机器人学习领域对精确操作与复杂装配任务日益增长的探索之中。该数据集由Hugging Face社区基于LeRobot框架构建，专注于协调双臂机器人完成圆形零件的精密组装作业。数据集以SO-101型跟随机器人为核心平台，记录了单一任务下涵盖799帧、持续约26秒的高频操作轨迹，包含六自由度关节位置与末端夹爪状态的同步观测信息，以及来自前向与腕部双视角的高分辨率视频数据（720p@30fps）。这一精心设计的结构化数据集为模仿学习、行为克隆及策略迁移等前沿研究方向提供了标准化验证基准，推动了细粒度工业装配任务从仿真环境向真实物理世界部署的转化进程。

当前挑战

该数据集主要应对机器人领域双重挑战：其一，在复杂装配任务中，如何使机器人在缺乏显式物理模型的情况下，仅通过少量示范即可精确复制人类操作策略，特别是在圆形零件对位、插入与微调等对位姿误差高度敏感的环节中实现鲁棒泛化；其二，数据集构建过程中面临高频多模态数据同步采集的工程难题，需协调6轴关节状态（采样率30Hz）与720p双视角视频流（AV1编码）的时间对齐，并保证在100MB数据包与200MB视频容量内维持零丢失的轨迹完整性，对传感器标定与存储管线设计提出严苛要求。

常用场景

经典使用场景

在机器人学习领域，so101_circle_assembly_test10数据集作为一项专注于圆形零件装配任务的精细操控基准，被广泛用于验证模仿学习与强化学习算法在精密工业操作中的有效性。该数据集以高分辨率视觉观测与六自由度关节状态序列为核心，记录了从初始抓取到完成装配的完整运动轨迹，为研究连续动作空间中的策略学习提供了标准化试验平台。研究者常将其作为评估模型在有限样本下泛化能力的测试床，尤其适用于对比不同行为克隆与逆强化学习方法在几何约束装配任务中的表现。

衍生相关工作

围绕该数据集衍生的工作主要集中在三大方向：首先，基于扩散策略的动作序列生成模型在此基准上取得显著进展，研究者通过改进条件去噪概率框架实现了更具平滑性的装配轨迹预测。其次，部分工作探索了基于混合现实的在线模仿学习方案，利用该数据集构建仿真到现实的迁移桥接。另外，还有研究聚焦于跨任务元学习，通过将圆形装配与其他形状装配任务对比来推导通用的抓取-对位-插入行为基元，这些工作共同推动机器人技能学习朝更少演示、更鲁棒执行的方向演进。

数据集最近研究

最新研究方向

该数据集聚焦于机器人操作技能的学习与模仿，特别是针对SO-100系列机械臂的精密装配任务。在具身智能与机器人学习的前沿领域，此类示范数据为基于视觉的运动策略训练提供了关键支撑。当前热点方向包括利用多模态观测数据（如高分辨率前视与腕部视频）结合低维状态与动作序列，通过扩散策略或基于Transformer的架构实现复杂操作的泛化。该数据集因包含完整的6自由度关节轨迹与同步视频流，对推动机器人从示教到自主执行的闭环研究具有重要价值，尤其有助于探索数据高效的小样本学习与跨任务迁移范式。