Tna001/eval_smovla_tactile

---
license: apache-2.0
task_categories:
- robotics
tags:
- LeRobot
configs:
- config_name: default
data_files: data/*/*.parquet
---

This dataset was created using [LeRobot](https://github.com/huggingface/lerobot).

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=Tna001/eval_smovla_tactile">
<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>

## Dataset Description

- **Homepage:** [More Information Needed]
- **Paper:** [More Information Needed]
- **License:** apache-2.0

## Dataset Structure

[meta/info.json](meta/info.json):
```json
{
"codebase_version": "v3.0",
"robot_type": "so100_tactile_follower",
"total_episodes": 130,
"total_frames": 27426,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 10,
"splits": {
"train": "0:130"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.camera1": {
"dtype": "video",
"shape": [
224,
224,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 224,
"video.width": 224,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 10,
"video.channels": 3,
"has_audio": false
}
},
"observation.tactile.primary": {
"dtype": "float32",
"shape": [
16,
32
],
"names": [
"height",
"width"
]
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}
```

## Citation

**BibTeX:**

```bibtex
[More Information Needed]
```

---
许可证：Apache-2.0
任务类别：
- 机器人学
标签：
- LeRobot(LeRobot)
配置：
- 配置名称：default
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=Tna001/eval_smovla_tactile">
<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>

## 数据集描述

- **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](meta/info.json):
json
{
"codebase_version": "v3.0",
"robot_type": "so100_tactile_follower",
"total_episodes": 130,
"total_frames": 27426,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 10,
"splits": {
"train": "0:130"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.state": {
"dtype": "float32",
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"shape": [
6
]
},
"observation.images.camera1": {
"dtype": "video",
"shape": [
224,
224,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 224,
"video.width": 224,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 10,
"video.channels": 3,
"has_audio": false
}
},
"observation.tactile.primary": {
"dtype": "float32",
"shape": [
16,
32
],
"names": [
"height",
"width"
]
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}

## 引用

**BibTeX格式：**
bibtex
[More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人学领域，触觉感知数据的采集对于提升机械臂的精细操作能力至关重要。eval_smovla_tactile数据集依托LeRobot平台构建，通过so100_tactile_follower型机器人执行任务，系统记录了130个完整交互片段，涵盖27426帧数据。数据以分块形式存储于Parquet文件中，每块包含1000帧，确保了高效的数据组织与访问。采集过程中，机器人关节状态、视觉图像及触觉传感器读数被同步捕获，并以10帧每秒的速率编码为结构化特征，为后续分析提供了坚实的数据基础。

特点

该数据集的核心特点在于其多模态融合的数据结构，不仅整合了机械臂的六维关节位置作为动作与状态观测，还包含了224x224分辨率的视觉视频流以及16x32维度的触觉传感器阵列数据。这种设计使得数据集能够全面反映机器人在物理交互过程中的感知与行为，尤其触觉数据的引入，为研究精细操作与物体属性识别提供了独特视角。数据以标准化格式封装，支持直接加载与可视化，便于研究者深入探索机器人学习中的感知-动作闭环机制。

使用方法

为有效利用该数据集，研究者可通过HuggingFace平台直接访问数据文件，并利用LeRobot提供的工具进行解析与可视化。数据集按训练分割组织，所有130个片段均用于训练，用户可依据帧索引、片段索引等元数据灵活提取特定序列。在实际应用中，该数据集适用于机器人模仿学习、触觉感知建模及多模态控制策略的开发，通过结合动作、视觉与触觉信息，能够训练模型实现更鲁棒和精细的机器人操作任务。

背景与挑战

背景概述

在机器人学领域，触觉感知与视觉引导的融合是提升机械臂操作能力的关键研究方向。eval_smovla_tactile数据集由LeRobot项目团队构建，专注于解决触觉反馈与视觉信息协同下的机器人操作任务。该数据集收录了130个完整交互序列，涵盖超过2.7万帧的多模态数据，整合了六自由度关节动作、高分辨率视觉图像及16×32维触觉阵列信息。其设计旨在推动触觉增强型机器人控制算法的演进，为具身智能系统在复杂环境中的精细操作提供基准支持。

当前挑战

该数据集致力于应对机器人触觉-视觉融合控制中的核心难题，即如何将高维触觉信号与视觉观测有效对齐，并生成精确的动作策略。构建过程中面临多重挑战：触觉传感器数据具有噪声敏感性与时空异步特性，需设计鲁棒的数据同步机制；多模态数据的高效存储与实时处理要求苛刻，需平衡数据精度与系统开销；此外，在真实物理交互中采集大规模触觉数据存在硬件损耗风险与场景一致性维护困难，增加了数据集构建的复杂度。

常用场景

经典使用场景

在机器人学领域，触觉感知对于精细操作至关重要。eval_smovla_tactile数据集通过整合视觉与触觉数据，为机器人模仿学习提供了经典场景。该数据集记录了机械臂执行任务时的关节位置、视觉图像及高分辨率触觉阵列，使得研究者能够训练模型理解多模态感知与动作之间的复杂映射关系，尤其在需要精确力控或物体交互的任务中，如抓取易碎物品或装配精密部件，展现出其核心价值。

衍生相关工作

围绕eval_smovla_tactile数据集，已衍生出多项经典研究工作。这些工作主要集中在多模态模仿学习框架的构建上，例如开发能够同时处理视觉和触觉输入的深度神经网络架构。部分研究利用该数据集探索触觉表示的压缩与泛化方法，以降低计算开销并提升模型在新任务上的适应性。此外，也有工作将其与强化学习结合，训练机器人在未知环境中通过触觉探索进行自主学习，进一步扩展了数据集的学术影响力与应用边界。

数据集最近研究

最新研究方向

在机器人触觉感知领域，eval_smovla_tactile数据集凭借其多模态特性，正成为推动触觉引导操作研究的关键资源。该数据集整合了视觉图像、关节状态与高分辨率触觉阵列数据，为开发融合触觉反馈的模仿学习与强化学习算法提供了丰富素材。当前研究热点聚焦于利用此类数据提升机器人在非结构化环境中的灵巧操作能力，特别是在物体抓取、精细装配等任务中，触觉信息的引入显著增强了系统的鲁棒性与适应性。随着开源机器人平台LeRobot的普及，该数据集有望加速触觉感知模型的标准化评估，促进跨实验室的协作创新，对推动服务机器人、工业自动化等实际应用具有深远意义。