nc8304/so101_032326_white_back_041026_cube

---
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=nc8304/so101_032326_white_back_041026_cube">
<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": "so_follower",
"total_episodes": 1,
"total_frames": 1787,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:1"
},
"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.front": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"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
配置:
- 配置名称: default
数据文件: data/*/*.parquet（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=nc8304/so101_032326_white_back_041026_cube">
<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>

## 数据集说明

- **项目主页：** [需补充更多信息]
- **相关论文：** [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": "so_follower",
"total_episodes": 1,
"total_frames": 1787,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:1"
},
"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.front": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"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 格式引用：**
bibtex
[需补充更多信息]

搜集汇总

数据集介绍

构建方式

在机器人学习领域，高质量的数据集是推动智能体从示教中习得复杂操作技能的关键。该数据集依托LeRobot框架构建，记录了单一机械臂（so_follower）在白色背景前操作一个立方体的完整演示过程。数据集包含单个任务片段，共计1787帧画面，采样频率为30帧/秒。数据以Parquet格式存储于data目录下的分块文件中，而对应的视频则采用AV1编码的MP4格式存放于videos目录下，实现了结构化运动数据与视觉观测的高效分离与协同管理。

使用方法

为便于研究者快速开展模型训练与评估，该数据集已集成至LeRobot生态系统中。用户可通过LeRobot提供的可视化工具在线浏览数据片段，直观观察演示过程。在代码层面，建议利用LeRobot的dataset API加载数据，通过访问`action`与`observation.state`字段获取机器人的运动指令与本体感受，同时利用`observation.images.front`获取前端摄像头图像。该数据集默认仅包含训练集，适用于从演示中学习（Learning from Demonstration）范式的初步验证与算法原型开发。

背景与挑战

背景概述

该数据集由研究机构利用LeRobot框架创建，依托于Apache-2.0许可协议公开发布，旨在为机器人操作领域提供标准化的训练与评估数据。数据集聚焦于so_follower机器人执行单一立方体抓取任务，记录了1787帧、持续约60秒的高频动作序列（30 FPS），包含6维关节空间状态与640×480像素的前视视觉观测。尽管数据集规模有限（单条轨迹），但其采用的结构化存储格式（Parquet与AV1压缩视频）以及明确的状态-动作映射，为行为克隆、模仿学习等机器人学习算法提供了高保真的示范数据，对推动低样本机器人技能习得研究具有基础性参考价值。

当前挑战

在领域层面，机器人操作的核心挑战在于如何从稀疏的示范数据中泛化出鲁棒的控制策略，而该数据集仅包含单条轨迹与单一任务（立方体操作），难以覆盖环境光照、物体位姿、机械臂动力等变化因素，限制了模型对复杂工业场景或真实家庭环境的适应能力。构建过程中，数据采集面临硬件标定噪声（仅含6自由度位置指令而无力矩反馈）、视觉-运动同步误差以及单一背景（白色背景）导致的观测域窄化问题，且缺乏遮挡、多物交互等干扰条件，致使数据集在跨场景迁移时易产生过拟合。

常用场景

经典使用场景

在机器人学习与模仿学习的广阔天地中，so101_032326_white_back_041026_cube数据集犹如一颗璀璨的明珠，专为单任务、小样本的机械臂操控范式而精心构筑。该数据集基于LeRobot框架采集，记录了SO_Follower型机械臂在白色背景下抓取立方体的完整运动轨迹，包含1787帧的高保真观测数据。其核心使用场景聚焦于行为克隆与强化学习的基准验证，研究者可借助动作-状态对与前端摄像头图像序列，训练从像素空间到关节空间的映射策略，从而赋予机器人从示教中精准复现复杂操作的能力。数据以parquet格式存储，动作与观测状态均为6维关节向量，配合30帧/秒的流畅视频，为端到端模仿学习提供了理想的实验室级训练素材。

解决学术问题

长久以来，机器人精细操控研究面临数据采集成本高昂与任务泛化性不足的双重桎梏。该数据集通过提供标准化、结构化的单任务操控数据，精准回应了如何在小样本条件下实现高精度动作模仿的学术命题。它解决了从人类示教到机器人复现过程中的跨模态对齐难题——图像观测与关节指令之间存在语义鸿沟，而该数据集提供的同步视觉与运动信息使隐式映射成为可能。此外，数据集对状态-动作空间的无损记录，催化了对比学习与因果推断在机器人策略学习中的探索，推动了从简单拾取到灵巧操作的研究演进。其意义在于为模仿学习算法提供了可复现的微观实验平台，进而匡助学界解开机械臂运动规划中时空依赖的未解之谜。

实际应用

在智能制造的柔性生产线与家庭服务机器人领域，该数据集展现了深远的应用价值。通过对立方体抓取动作的精准建模，它可直接赋能工业场景中的自动分拣系统——在固定工位下，机械臂能依据示教数据习得对特定几何物体的稳健夹取策略，减少人工编程的试错成本。在科研场景中，该数据集为机器人远程操控系统的开发提供了关键校准数据，助力构建从人类演示到机器人自主执行的闭环反馈链。更广泛地，其视频与状态记录还可作为视觉伺服控制器的测试用例，验证机器人在静态环境中对物体位姿变化的适应能力，从而在仓储物流、精密装配等现实任务中缩短技术落地的距离。

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学习的前沿方向，特别是在基于视觉反馈的仿人机械臂控制领域。通过记录so_follower机器人在单任务场景下执行1787帧操作的高精度动作序列与状态观测，为模仿学习和行为克隆研究提供了标准化数据支撑。结合LeRobot框架的Parquet格式高效存储与AV1视频编码，该数据集推动了轻量化机器人数据集构建规范的演进，为端到端策略学习、运动规划泛化性验证以及多模态感知融合研究提供了关键基准资源。其Apache-2.0开源许可进一步降低了机器人学习领域的研究门槛，加速了可复现性科研成果的涌现。