KS325/close-upper-drawer-r1_occ_test

该数据集由LeRobot创建，属于机器人领域。数据集包含动作、观测状态、图像等特征，具体结构包括动作、观测状态、图像等特征的详细描述。数据集的总帧数为1703，总任务数为1，帧率为30fps。数据文件大小为100MB，视频文件大小为200MB。数据集的特征包括动作（6个浮点型数据）、观测状态（6个浮点型数据）、两个摄像头图像（480x640x3的视频数据）、时间戳、帧索引、剧集索引、索引和任务索引。

This dataset was created by LeRobot and belongs to the robotics field. The dataset includes features such as actions, observation states, images, etc., with detailed descriptions of the structure including actions, observation states, images, etc. The total number of frames in the dataset is 1703, the total number of tasks is 1, and the frame rate is 30fps. The data file size is 100MB, and the video file size is 200MB. The features of the dataset include actions (6 floating-point data), observation states (6 floating-point data), two camera images (480x640x3 video data), timestamp, frame index, episode index, index, and task index.

搜集汇总

数据集介绍

构建方式

close-upper-drawer-r1_occ_test数据集基于LeRobot框架构建，专注于机器人操作任务中的抽屉关闭场景。该数据集通过遥操作方式采集，使用so_follower型号机器人执行单一任务（关闭上层抽屉），共包含2个完整演示片段和1703帧时序数据。数据以parquet格式存储动作与状态序列，并行记录来自双视角摄像头（camera1与camera2）的AV1编码视频，分辨率为480×640，帧率30fps。数据划分为单一训练集，并按照chunk大小为1000进行分块存储。

特点

该数据集呈现出高度的专业性，其显著特点在于精细化设计：动作与状态空间均包含6维自由度（肩部三个关节、腕部两个关节及夹爪位置），确保对机器人位姿的完整描述。双视觉观测通道提供立体环境感知能力，且视频流与数值型时序数据（时间戳、帧索引、片段索引等）实现严格同步。尽管总数据量仅100MB数值文件与200MB视频文件，但2个片段的短时序结构适合用于测试模仿学习或行为克隆算法在小样本场景下的泛化性能。

使用方法

数据集通过LeRobot生态工具链集成，用户可利用HuggingFace Spaces可视化界面直接预览样本。在实际应用中，推荐使用Python加载parquet文件至DataFrame，通过`action`与`observation.state`字段提取机器人控制指令与状态信息，结合`observation.images.camera1/camera2`中的视频帧构建视觉-运动联合训练管线。由于所有数据已按episode_index划分，可直接按片段索引抽取完整演示轨迹，适配于基于一致性的策略学习或离线强化学习任务。数据集遵循Apache-2.0开源协议，便于学术研究二次开发。

背景与挑战

背景概述

在机器人操作领域，从示教数据中学习精细的关节动作是实现自动化任务的核心挑战之一。close-upper-drawer-r1_occ_test数据集由研究者基于LeRobot框架创建，聚焦于六自由度机械臂（so_follower）的抽屉闭合操作，旨在为机器人模仿学习提供高质量的动作-状态-视觉多模态数据。该数据集发布于HuggingFace平台，采集了2个示范片段共1703帧时序数据，涵盖肩部、肘部、腕部及夹爪的关节位置轨迹，并同步录制了两个视角的640×480像素视频流。作为面向具体操作技能的小样本基准，该数据集为验证策略泛化能力、研究遮挡条件下的视觉-运动耦合提供了标准化测试环境，对推动低成本机器人平台的技能迁移研究具有重要参考价值。

当前挑战

本数据集所解决的领域问题在于：机械臂在完成如关闭抽屉这类具有明确接触约束的任务时，需要精确协调多关节运动与夹爪控制，同时适应环境视觉变化（如遮挡导致的视角缺失），这对模仿学习的模型鲁棒性提出了严峻挑战。构建过程中，研究人员面临两大难点：一是有限示范样本（仅2个轨迹）下如何保留任务关键特征，避免过拟合；二是高保真传感器数据的同步采集（6维关节状态、30FPS双视角视频）与轻量化存储（AV1编码）的平衡，需确保数据集在受控实验中的可复现性，同时支持后续算法对稀疏奖励、延迟动作等真实场景问题的评估。

常用场景

经典使用场景

在机器人学习与灵巧操作领域，该数据集专注于“关闭上层抽屉”这一精细任务，为模仿学习与行为克隆算法提供了高保真的演示数据。数据集包含来自SO-Follower机器人双臂系统的1703帧连续轨迹，记录了6自由度关节动作与双视角视觉观测，适用于训练机器人从视觉输入到动作映射的端到端策略。其紧凑的2个示范片段虽规模有限，却完美契合小样本学习与少样本泛化的实验需求，常被用于验证算法在有限演示条件下对结构化操作任务的复现能力。

衍生相关工作

围绕该数据集的特性，衍生出多项创新工作：基于扩散策略（Diffusion Policy）的轨迹生成模型，利用其视觉-动作对实现去噪任务规划；分层模仿学习框架通过解耦上肢移动与手部抓取策略，提升了动作复现的鲁棒性；此外，数据增强方法如视角合成与动态时间规整被用于扩充训练集，克服原始数据规模局限。这些工作共同验证了该数据在推动接触密集型操作算法从仿真到现实迁移中的桥梁作用。

数据集最近研究

最新研究方向

在机器人操作领域，精细化的交互控制任务日益成为研究焦点。close-upper-drawer-r1_occ_test数据集聚焦于“关闭上抽屉”这一具体操作环节，代表了具身智能在日常生活场景中实现灵巧作业的前沿探索。该数据集依托LeRobot框架，采集了SO系列从机器人执行闭合抽屉动作的完整轨迹，涵盖六维关节空间状态与双视角视觉流，为模仿学习与强化学习提供了高保真的训练素材。随着家庭服务机器人与工业协作机械臂对复杂装配、收纳等操作需求的激增，该类精细化的闭合/开启任务数据集正推动机器人从单一抓取向多步骤交互操作演进，其意义在于构建可迁移的操作基元，为通用机器人技能库的建立奠定粒化基础。