bin_0325_dualArm_singleObj_2

该数据集由 LeRobot 创建，采用 Apache 2.0 许可证，属于机器人学领域。数据集包含 95 个集，总计 28750 帧，涉及 1 个任务。数据以 Parquet 格式存储，总数据文件大小为 100 MB，视频文件大小为 200 MB，帧率为 15 FPS。数据集包含多个特征，如动作（16 维浮点数组，包括左右臂和夹持器的状态）、观察状态（与动作类似的结构）、多视角图像（前、右、左视角，分辨率和通道数详细说明）、时间戳、帧索引、集索引等。这些特征适用于机器人控制、动作识别和视觉感知等任务。数据集的结构和特征详细信息可在 README 的 Dataset Structure 部分找到。

This dataset was created by LeRobot, licensed under the Apache 2.0 License, and falls within the domain of robotics. It consists of 95 episodes, with a total of 28750 frames, and covers one single task. The data is stored in Parquet format, with an overall data file size of 100 MB, video file size of 200 MB, and a frame rate of 15 FPS. The dataset includes multiple features, such as actions (16-dimensional floating-point arrays covering the states of the left and right arms and the gripper), observation states (with a structure similar to that of actions), multi-view images (front, right, and left perspectives with detailed resolution and channel count specifications), timestamps, frame indices, episode indices, and more. These features are applicable to tasks such as robot control, action recognition, and visual perception. Detailed information on the dataset's structure and features can be found in the Dataset Structure section of the README.

原始信息汇总

数据集概述

基本信息

• 数据集名称: bin_0325_dualArm_singleObj_2
• 创建工具: LeRobot (https://github.com/huggingface/lerobot)
• 许可证: Apache-2.0
• 任务类别: 机器人学
• 标签: LeRobot

数据集规模与结构

• 总情节数: 95
• 总帧数: 28750
• 总任务数: 1
• 数据块大小: 1000
• 帧率: 15 FPS
• 数据文件总大小: 100 MB
• 视频文件总大小: 200 MB
• 数据格式: Parquet
• 数据路径模式: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频路径模式: videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4
• 数据划分: 全部数据（第0至95个情节）用于训练。

机器人信息

• 机器人类型: rby1
• 代码库版本: v3.0

数据特征

动作

• 数据类型: float32
• 维度: [16]
• 特征名称: right_arm_0 至 right_arm_6, left_arm_0 至 left_arm_6, right_gripper_0, left_gripper_0

观测状态

• 数据类型: float32
• 维度: [16]
• 特征名称: right_arm_0 至 right_arm_6, left_arm_0 至 left_arm_6, right_gripper_0, left_gripper_0

观测图像

前视图像

• 数据类型: video
• 维度: [480, 640, 3]
• 视频信息:
  • 高度: 480
  • 宽度: 640
  • 编解码器: av1
  • 像素格式: yuv420p
  • 非深度图
  • 帧率: 15
  • 通道数: 3
  • 无音频

右视图像

• 数据类型: video
• 维度: [640, 480, 3]
• 视频信息:
  • 高度: 640
  • 宽度: 480
  • 编解码器: av1
  • 像素格式: yuv420p
  • 非深度图
  • 帧率: 15
  • 通道数: 3
  • 无音频

左视图像

• 数据类型: video
• 维度: [640, 480, 3]
• 视频信息:
  • 高度: 640
  • 宽度: 480
  • 编解码器: av1
  • 像素格式: yuv420p
  • 非深度图
  • 帧率: 15
  • 通道数: 3
  • 无音频

元数据

• 时间戳: 数据类型 float32，维度 [1]。
• 帧索引: 数据类型 int64，维度 [1]。
• 情节索引: 数据类型 int64，维度 [1]。
• 索引: 数据类型 int64，维度 [1]。
• 任务索引: 数据类型 int64，维度 [1]。

可视化

• 可视化页面: https://huggingface.co/spaces/lerobot/visualize_dataset?path=rainbowrobotics/bin_0325_dualArm_singleObj_2

引用信息

• 主页: [More Information Needed]
• 论文: [More Information Needed]
• BibTeX 引用: [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人操作领域，高质量的数据集对于推动模仿学习与强化学习算法的进步至关重要。bin_0325_dualArm_singleObj_2数据集依托LeRobot平台构建，其采集过程采用了真实的双机械臂机器人系统。该数据集记录了机器人执行单一物体操作任务时的多模态交互数据，通过分块存储策略将总计28750帧数据组织为95个完整回合，并以Parquet格式高效保存，确保了数据的结构化和可扩展性。

特点

该数据集的核心特征在于其丰富的多模态观测与精确的动作记录。观测部分不仅包含双机械臂各关节的16维状态向量，还提供了来自前视、左视与右视三个角度的彩色视频流，分辨率分别为640x480与480x640，帧率为15fps。动作空间同样覆盖了双臂各7个关节及两个末端执行器的控制指令。这种设计使得数据集能够全面捕捉机器人操作中的时空动态，为三维感知与运动规划研究提供了坚实基础。

使用方法

研究人员可通过Hugging Face平台直接访问该数据集，利用其预定义的数据加载接口进行高效读取。数据集已按照训练需求划分为完整训练集，用户可依据帧索引、回合索引等元数据灵活提取特定片段。结合附带的视频文件，研究者能够同步分析视觉观测与机器人状态，适用于行为克隆、逆动力学建模或端到端策略学习等任务。数据集采用Apache 2.0许可，支持广泛的学术与工业应用。

背景与挑战

背景概述

在机器人学习领域，双机械臂协同操作单物体是提升机器人灵巧性与自主性的前沿研究方向。数据集bin_0325_dualArm_singleObj_2由LeRobot项目团队创建，依托开源机器人学习框架，旨在系统记录双机械臂执行单一物体操作任务的高维感知与控制数据。该数据集聚焦于解决机器人双臂协调中的运动规划与视觉伺服问题，通过整合多视角视觉观测与关节状态信息，为模仿学习与强化学习算法提供了丰富的训练资源，推动了家庭服务与工业自动化场景中复杂操作任务的智能化进程。

当前挑战

该数据集致力于应对机器人双臂协同操作中的核心挑战，即在高维连续动作空间中实现精准、稳定的物体抓取与操控，同时需处理视觉感知噪声与动力学不确定性带来的干扰。在构建过程中，研究人员面临数据同步与对齐的复杂性，需确保多摄像头视频流与机械臂关节状态的时间戳精确匹配；此外，大规模高帧率数据的采集与存储亦对硬件系统与数据处理流程提出了严峻考验，涉及实时压缩、编码与高效检索等关键技术难题。

常用场景

经典使用场景

在机器人学领域，双机械臂协同操作是提升自动化系统灵活性与效率的关键方向。bin_0325_dualArm_singleObj_2数据集通过记录双机械臂对单个物体的操作过程，为研究双臂协调控制提供了丰富的实验数据。该数据集典型应用于训练和评估模仿学习与强化学习算法，使模型能够从多视角视觉观测和关节状态中学习复杂的操作策略，模拟真实环境中的抓取、搬运等任务。

解决学术问题

该数据集有效应对了机器人研究中双臂系统缺乏高质量真实世界数据的挑战。它为解决双臂协同中的运动规划、避障与力控制等学术问题提供了基准，促进了多模态感知与动作生成的融合研究。通过提供结构化的时间序列数据，数据集支持学者探索从视觉输入到连续动作映射的端到端学习方法，推动了机器人智能在复杂操作任务上的理论进展。

衍生相关工作

基于该数据集，研究社区已衍生出多项经典工作，主要集中在双臂模仿学习框架的构建与多任务策略泛化方面。例如，利用数据集的视觉与状态特征，学者们开发了分层强化学习模型以提升动作序列的连贯性；同时，跨模态表示学习技术也被应用于从视频流中提取更具判别力的特征，进而改善机器人在未见场景中的操作性能，这些工作显著推动了协作机器人技术的发展。