stationary_transfer_cube

该数据集由LeRobot创建，专注于机器人技术领域，适用于机器人控制和行为分析等任务。数据集包含20个完整的情节，总计12525帧数据，数据以30帧每秒的速率采集。数据集结构包括状态观测（14个关节位置）、动作数据（14个关节位置）、以及来自四个不同摄像头的视频数据（分辨率480x640，AV1编码，YUV420p格式）。所有数据以Parquet格式存储，总数据量约为100MB，视频文件约为500MB。数据集采用Apache-2.0许可证，适用于机器人学习算法的训练和评估。

This dataset was created by LeRobot, targeting the robotics domain and suitable for tasks such as robot control and behavior analysis. It contains 20 complete episodes, totaling 12,525 frames of data collected at a rate of 30 frames per second. The dataset structure includes state observations (14 joint positions), action data (14 joint positions), and video data from four distinct cameras, with a resolution of 480×640, encoded in AV1 format and YUV420p format. All non-video data is stored in Parquet format, with a total size of approximately 100 MB, while the video files amount to roughly 500 MB. The dataset is licensed under Apache-2.0, and is applicable for the training and evaluation of robotic learning algorithms.

原始信息汇总

数据集概述

基本信息

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

数据集规模

• 总情节数： 10
• 总帧数： 14248
• 总任务数： 1
• 数据块大小： 1000
• 数据文件总大小： 100 MB
• 视频文件总大小： 500 MB
• 帧率： 30 FPS
• 数据划分： 训练集 (0:10)

数据结构与特征

数据以Parquet文件格式存储，路径模式为 data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet。 视频以MP4文件格式存储，路径模式为 videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4。

特征详情

1. observation.state

   • 数据类型： float32
   • 形状： [14]
   • 内容： 14个关节位置（左机械臂6个关节、左滑车关节、右机械臂6个关节、右滑车关节）

2. action

   • 数据类型： float32
   • 形状： [14]
   • 内容： 14个关节位置（与observation.state结构相同）

3. observation.images.cam_high

   • 数据类型： 视频
   • 形状： [3, 480, 640] (通道，高度，宽度)
   • 视频属性： 编码AV1，像素格式yuv420p，非深度图，无音频，30 FPS

4. observation.images.cam_low

   • 数据类型： 视频
   • 形状： [3, 480, 640] (通道，高度，宽度)
   • 视频属性： 编码AV1，像素格式yuv420p，非深度图，无音频，30 FPS

5. observation.images.cam_left_wrist

   • 数据类型： 视频
   • 形状： [3, 480, 640] (通道，高度，宽度)
   • 视频属性： 编码AV1，像素格式yuv420p，非深度图，无音频，30 FPS

6. observation.images.cam_right_wrist

   • 数据类型： 视频
   • 形状： [3, 480, 640] (通道，高度，宽度)
   • 视频属性： 编码AV1，像素格式yuv420p，非深度图，无音频，30 FPS

7. timestamp

   • 数据类型： float32
   • 形状： [1]

8. frame_index

   • 数据类型： int64
   • 形状： [1]

9. episode_index

   • 数据类型： int64
   • 形状： [1]

10. index

    • 数据类型： int64
    • 形状： [1]

11. task_index

    • 数据类型： int64
    • 形状： [1]

其他信息

• 代码库版本： v3.0
• 机器人类型： stationary
• 主页： [More Information Needed]
• 论文： [More Information Needed]
• 引用： [More Information Needed]

搜集汇总

数据集介绍

构建方式

在机器人操作任务的数据采集领域，stationary_transfer_cube数据集通过LeRobot平台精心构建。该数据集记录了固定式双臂机器人在执行方块转移任务时的完整交互过程，以30帧每秒的速率采集了10个独立片段，共计14248帧数据。数据以分块形式存储于Parquet文件中，每块约1000帧，确保了高效的数据管理与读取。构建过程中同步捕获了多视角视觉信息与精确的关节状态，为机器人学习提供了丰富的时空上下文。

使用方法

研究者可通过HuggingFace数据集库直接加载该数据集，利用其标准化的Parquet格式实现高效访问。数据按训练集划分组织，支持按片段或按帧的灵活检索方式。对于机器人模仿学习任务，可同步调用视觉观测与关节状态数据；在强化学习场景中，状态-动作对可直接用于策略训练。多摄像头视频流支持视角不变性研究，而精细的时间标注便于时序建模算法的验证与比较。

背景与挑战

背景概述

在机器人学习领域，高质量、大规模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。stationary_transfer_cube数据集由HuggingFace的LeRobot项目创建，专注于解决机器人操作任务中的物体转移问题。该数据集通过记录固定式双机械臂系统执行立方体转移任务的过程，提供了丰富的多模态观测数据，包括关节状态信息与多视角视觉流。其设计旨在为机器人策略学习提供真实世界的交互轨迹，促进从仿真到实际应用的迁移研究，尽管具体创建时间与核心作者信息尚未公开，但其依托的开源框架体现了社区对可复现机器人学习的共同追求。

当前挑战

stationary_transfer_cube数据集致力于解决机器人操作中的精细物体转移问题，其核心挑战在于如何从高维感官输入中学习稳健且泛化性强的控制策略。具体而言，数据需克服现实世界中的动态不确定性、传感器噪声以及机械臂运动中的微小误差，这些因素使得精确的轨迹模仿变得复杂。在构建过程中，数据采集面临同步多路视频流与关节状态数据的工程难题，确保时序对齐与数据完整性需精细的系统设计。此外，数据规模相对有限，仅包含单一任务下的十个轨迹，可能制约了模型在多样化场景下的泛化能力，扩展数据集规模与任务多样性是未来需要突破的方向。

常用场景

经典使用场景

在机器人操作领域，stationary_transfer_cube数据集为双臂固定式机器人执行物体转移任务提供了经典范例。该数据集通过记录机器人关节状态、动作指令以及多视角视觉数据，构建了从感知到执行的完整交互序列。研究者可借此训练端到端的机器人控制模型，学习如何协调双臂动作以完成立方体的抓取与放置，从而探索复杂操作任务中的运动规划与协调机制。

解决学术问题

该数据集有效解决了机器人学中关于多自由度协同操作与视觉-动作映射的学术难题。通过提供高维状态空间与动作空间的同步记录，它支持研究者在模仿学习与强化学习框架下，探索如何从视觉输入中推断可行的操作策略。其意义在于为双臂操作系统的行为建模提供了标准化基准，推动了机器人自主操作能力的理论进展与实际算法验证。

实际应用

在实际工业与物流场景中，stationary_transfer_cube数据集所对应的任务模式可直接应用于自动化分拣、装配线物料传递等流程。基于该数据集训练的模型能够提升固定式双臂机器人的操作精度与适应性，减少对精密编程的依赖，实现更灵活的物品搬运。这为智能制造环境中机器人系统的部署与优化提供了可靠的数据支撑与技术验证途径。

数据集最近研究

最新研究方向

在机器人操作领域，stationary_transfer_cube数据集凭借其多视角视觉与关节状态同步记录的特性，正成为模仿学习与视觉运动策略研究的重要资源。该数据集通过LeRobot平台生成，涵盖了固定式双臂机器人执行物体转移任务的密集轨迹数据，其前沿应用聚焦于跨模态表示学习，旨在融合高维图像观测与低维关节动作以实现端到端策略泛化。随着具身智能热潮的兴起，此类高质量真实世界交互数据为克服仿真到现实迁移的瓶颈提供了关键支撑，推动了基于Transformer的视觉运动架构在实际机器人控制中的验证与优化，对提升复杂操作任务的自主性与适应性具有显著意义。