KuphDev/place_yellow_duck_20260528_191438

该数据集是一个机器人控制数据集，使用LeRobot框架创建。数据包含机器人执行任务时的动作和观测信息，具体特征包括：6维动作向量（对应机器人关节位置：shoulder_pan.pos、shoulder_lift.pos、elbow_flex.pos、wrist_flex.pos、wrist_roll.pos、gripper.pos）、6维观测状态向量（与动作相同）、顶部摄像头视频观测（分辨率720x1280，30fps，RGB三通道）。数据集还包含时间戳、帧索引、回合索引等元数据。总共有6个回合，5355帧数据，适用于机器人学习任务，机器人类型为so_follower。数据集以Apache 2.0许可证发布。This dataset is a robotics control dataset created using the LeRobot framework. It contains action and observation information from robot task executions, with specific features including: a 6-dimensional action vector (corresponding to robot joint positions: shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos), a 6-dimensional observation state vector (same as action), and top camera video observations (resolution 720x1280, 30fps, RGB three channels). The dataset also includes metadata such as timestamps, frame indices, episode indices, etc. It consists of 6 episodes and 5355 frames, suitable for robot learning tasks, with robot type so_follower. The dataset is released under the Apache 2.0 license.

搜集汇总

数据集介绍

构建方式

本数据集基于LeRobot开源框架构建，聚焦于机器人将黄色鸭子放置于指定位置的物理操作任务。数据集通过遥操作方式采集，记录了一台型号为so_follower的机械臂在完成目标抓取与放置动作过程中的完整状态信息。数据采集帧率为每秒30帧，共包含6个演示回合，总计5355帧有效数据，所有数据均按照Apache-2.0许可协议公开发布。

特点

该数据集具有多模态与结构化的显著特点。状态空间方面，记录了包括肩部旋转、肩部抬升、肘部弯曲、腕部屈伸、腕部旋转以及夹爪开合的六维关节角度数据。同时，提供了来自顶部视角的高清视频流（分辨率1280×720），视频采用H.264编码。数据集特别包含了时序信息与回合索引，便于长序列行为分析。所有数据以Parquet文件与MP4视频文件分块存储，管理高效。

使用方法

使用该数据集时，推荐利用LeRobot框架内置的数据装载与可视化工具。通过Hugging Face提供的可视化界面可直接浏览数据样本。用户可调用LeRobot的Dataset类加载Parquet文件，并同步读取对应的视频帧，从而构建机器人模仿学习所需的训练管线。数据集已预先划分好训练集，总数据文件体积约为100MB，视频文件约200MB，适合在本地或云端环境进行模型训练与评估。

背景与挑战

背景概述

在机器人操作领域，模仿学习（Imitation Learning）已成为一项关键技术，其核心在于利用专家演示数据训练机器人执行复杂任务。place_yellow_duck_20260528_191438数据集由开发者KuphDev于2026年5月创建，依托Hugging Face LeRobot框架构建，旨在促进机器人精细操作技能的研究。该数据集围绕“放置黄色鸭子”这一具体任务，记录了6个完整演示回合，总计5355帧时序数据，包含高精度关节角度（6自由度）、顶部摄像头视频（1280×720分辨率，30 FPS）及动作指令，为研究机器人从感知到动作的映射关系提供了标准化基准。数据集采用Apache-2.0许可开放共享，其结构化格式（动作与状态对齐、视频与传感器融合）在机器人模仿学习领域具有范式价值，尤其为小样本学习与控制泛化研究奠定了基础。

当前挑战

该数据集的核心挑战在于解决机器人操作中的泛化性与鲁棒性问题。从领域问题看，尽管“放置黄色鸭子”任务看似简单，但实际涉及物体位姿变化、环境光照干扰及机械臂运动学误差等复杂因素；数据集仅6个演示回合（5355帧）的规模限制了模型对未见过初始条件或障碍物场景的适应能力。构建过程中，数据采集依赖so_follower机器人平台，其6自由度控制需精确同步多传感器流（关节角度、顶部视觉），任何硬件抖动或延迟均会引入噪声；此外，视频以H.264压缩编码，虽节省存储却可能丢失高频纹理细节，影响机器人对鸭子形状的精准识别。如何从有限演示中提取任务不变特征以应对开放环境，仍是该数据集推动模仿学习发展的关键瓶颈。

常用场景

经典使用场景

在机器人操作领域，精细抓取与放置任务一直是评估机械臂灵巧操控能力的核心基准。place_yellow_duck_20260528_191438数据集围绕'将黄色鸭子放置到指定位置'这一典型任务构建，收录了6个完整示教片段的5355帧高保真数据，涵盖机械臂6自由度关节状态与顶部720p高清视觉观测。其经典使用场景在于为模仿学习算法提供从视觉输入到动作序列的端到端映射样本，尤其适用于条件模仿学习（Behavior Cloning）和逆强化学习范式，研究者可借此训练模型从人类演示中习得精准的空间定位与力控策略。

衍生相关工作

围绕此数据集已衍生出多项推进机器人学习边界的重要工作。基于LeRobot框架的算法基准套件中，该数据集常被用作评估扩散策略（Diffusion Policy）与动作分块（Action Chunking）方法效率的测试床。研究者进一步从中提取任务无关的视觉基元特征，用于开发跨实例泛化的元学习器。部分工作探索了借助该数据集构建机器人技能库，通过协同降噪训练实现多任务策略的零样本组合。数据集的视频-状态双模态结构更催生了基于世界模型（如Dreamer）的闭环操控研究。

数据集最近研究

最新研究方向

该数据集聚焦于机器人灵巧操作领域中的精细抓取与放置任务，基于LeRobot框架构建，记录了6自由度机械臂（so_follower）在30帧每秒下完成“放置黄色鸭子”这一典型操作的高保真多模态数据。当前前沿研究方向包括利用此类数据驱动模仿学习与强化学习的融合，以提升机器人在非结构化环境中对柔软或易变形物体的泛化操作能力。关联的热点事件如具身智能的兴起和通用机器人基础模型的探索，使得像place_yellow_duck这样包含视觉与关节状态对齐的小样本数据集，成为验证少样本迁移、视觉-运动联合表征学习的关键基准。其影响在于为机器人操作技能的可复现研究提供了标准化数据管道，推动了从仿真到真实场景的高效部署，深刻促进了人机协作与自动化生产的实用化进程。