arrg-unam/Test1004_01

---
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).

## 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": "v2.1",
"robot_type": "omx_follower",
"total_episodes": 15,
"total_frames": 6458,
"total_tasks": 1,
"total_videos": 15,
"total_chunks": 1,
"chunks_size": 1000,
"fps": 30,
"splits": {
"train": "0:15"
},
"data_path": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet",
"video_path": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4",
"features": {
"action": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"observation.state": {
"dtype": "float32",
"shape": [
6
],
"names": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
]
},
"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（LeRobot）
配置项：
- 配置名称：默认
数据文件：data/*/*.parquet（Parquet）

本数据集基于[LeRobot（LeRobot）](https://github.com/huggingface/lerobot)开发构建。

## 数据集说明
- **主页**：[暂无更多信息]
- **论文**：[暂无更多信息]
- **许可证**：Apache-2.0

## 数据集结构
[meta/info.json](meta/info.json):
json
{
"代码库版本": "v2.1",
"机器人类型": "omx_follower",
"总回合数": 15,
"总帧数": 6458,
"总任务数": 1,
"总视频数": 15,
"总分块数": 1,
"单块大小": 1000,
"帧率": 30,
"划分方式": {
"训练集": "0:15"
},
"数据文件路径格式": "data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet（Parquet）",
"视频文件路径格式": "videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4（MP4）",
"特征项": {
"动作": {
"数据类型": "float32（float32）",
"形状": [6],
"维度名称": ["肩平移关节位置", "肩升降关节位置", "肘弯曲关节位置", "腕弯曲关节位置", "腕滚动关节位置", "夹爪位置"]
},
"观测.状态": {
"数据类型": "float32（float32）",
"形状": [6],
"维度名称": ["肩平移关节位置", "肩升降关节位置", "肘弯曲关节位置", "腕弯曲关节位置", "腕滚动关节位置", "夹爪位置"]
},
"观测.前视图像": {
"数据类型": "视频（video）",
"形状": [480, 640, 3],
"维度名称": ["高度", "宽度", "通道数"],
"附加信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码格式": "AV1（AV1）",
"像素格式": "yuv420p（yuv420p）",
"是否为深度图": false,
"视频帧率": 30,
"视频通道数": 3,
"是否包含音频": false
}
},
"时间戳": {
"数据类型": "float32（float32）",
"形状": [1],
"维度名称": null
},
"帧索引": {
"数据类型": "int64（int64）",
"形状": [1],
"维度名称": null
},
"回合索引": {
"数据类型": "int64（int64）",
"形状": [1],
"维度名称": null
},
"索引": {
"数据类型": "int64（int64）",
"形状": [1],
"维度名称": null
},
"任务索引": {
"数据类型": "int64（int64）",
"形状": [1],
"维度名称": null
}
}
}

## 引用说明
**BibTeX 格式引用**：
bibtex
[暂无更多信息]

搜集汇总

数据集介绍

构建方式

在机器人技术领域，高质量的数据集对于算法训练与评估至关重要。Test1004_01数据集依托LeRobot框架构建，通过omx_follower型机器人采集了15个完整任务片段，总计6458帧数据。数据以分块形式组织，每个块包含1000帧，并以30帧每秒的速率记录。观测数据涵盖六自由度关节位置状态以及前置摄像头捕获的480x640分辨率RGB图像，所有信息均以Parquet格式高效存储，确保了数据的结构化与可访问性。

使用方法

为促进机器人学习算法的开发与应用，Test1004_01数据集提供了清晰的使用路径。研究者可通过HuggingFace平台直接访问数据文件，并利用LeRobot库中集成的工具进行加载与预处理。数据集已预划分为训练集，涵盖全部15个任务片段，支持以按需加载的方式读取Parquet文件及关联的MP4视频。典型应用场景包括行为克隆、强化学习以及视觉-动作联合建模，用户可依据帧索引或任务索引灵活提取所需的数据序列进行模型训练与验证。

背景与挑战

背景概述

Test1004_01数据集作为机器人学习领域的一项新兴资源，其构建依托于LeRobot开源框架，体现了当前机器人模仿学习与强化学习研究对高质量、结构化示范数据的迫切需求。该数据集聚焦于六自由度机械臂（omx_follower型）的轨迹控制任务，通过记录包含关节位置状态、前端视觉图像及时间戳等多模态序列数据，旨在为机器人策略学习提供可复现的实证基础。尽管其创建时间与核心研究团队的具体信息尚未公开，但数据集所涵盖的连续动作空间与视觉观察的同步对齐，直接响应了机器人领域如何从高维感知输入中生成精确运动指令这一核心科学问题，对推动端到端机器人控制算法的泛化能力具有潜在影响力。

当前挑战

该数据集致力于应对机器人模仿学习中从视觉感知到关节运动映射的复杂挑战，其核心在于解决高维连续动作空间下的策略泛化与样本效率问题。在构建过程中，数据采集面临多模态时序对齐的精确性难题，需确保关节位置数据与前端视觉流在毫秒级时间戳下的严格同步。此外，数据规模相对有限，仅包含15个任务片段，可能制约了模型在多样化场景下的学习容量；而数据特征的标准化与结构化存储，尤其是大规模视频数据的压缩与高效检索，亦是工程实现中的关键障碍。这些挑战共同指向了机器人学习数据生态在规模、质量与可访问性方面的持续演进需求。

常用场景

经典使用场景

在机器人学习领域，Test1004_01数据集以其结构化的动作与观测数据，为模仿学习算法的训练提供了典型范例。该数据集记录了omx_follower型机械臂在特定任务中的关节位置、图像观测及时间戳信息，使得研究者能够基于真实世界交互数据，构建端到端的控制策略模型。通过整合多模态输入，如前端摄像头捕捉的视觉流与六维关节状态，该数据集常用于训练机器人从演示中学习复杂操作技能，推动行为克隆与逆强化学习等方法的实证研究。

解决学术问题

Test1004_01数据集针对机器人学中样本效率低下与泛化能力不足的挑战，提供了高质量的真实环境交互轨迹。其包含的连续动作序列与同步视觉观测，有助于解决模仿学习中的分布偏移问题，并支持对状态表示学习的深入探索。通过提供精确的时间对齐数据，该数据集促进了时序建模与多传感器融合算法的验证，为机器人自主技能获取的理论框架提供了实证基础，加速了从仿真到现实迁移的研究进程。

实际应用

在实际机器人部署中，Test1004_01数据集可直接应用于服务机器人或工业机械臂的编程示教场景。基于数据驱动的控制策略，能够使机器人快速适应如物体抓取、位置跟踪等日常任务，降低传统手工编程的复杂度。其视觉与关节状态的同步记录，为机器人感知-动作闭环系统的开发提供了测试平台，支持在仓储物流、家庭辅助等领域的自适应操作系统的构建与优化。

数据集最近研究

最新研究方向

在机器人学习领域，Test1004_01数据集作为基于LeRobot平台构建的机器人操作数据集，其前沿研究聚焦于多模态模仿学习的算法优化与泛化能力提升。该数据集整合了关节状态、视觉图像及时间序列信息，为端到端策略学习提供了结构化支持，尤其适用于复杂任务中视觉-动作映射的建模。当前热点探索方向包括利用大规模预训练视觉模型增强场景理解，以及结合扩散模型等生成式方法改进动作预测的平滑性与鲁棒性。这些进展不仅推动了家庭服务机器人等实际应用的智能化进程，也为机器人数据的高效采集与标准化提供了重要参考。