gravta42/Lerobot_move_blue_tube_rack_farthest_corner_Lcam

---
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=gravta42/Lerobot_move_blue_tube_rack_farthest_corner_Lcam">
<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": 15,
"total_frames": 5884,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:15"
},
"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.stereo": {
"dtype": "video",
"shape": [
240,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 240,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.top_L": {
"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
配置项:
- 配置名称: default
数据文件: data/*/*.parquet
---

本数据集基于LeRobot开发构建。

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=gravta42/Lerobot_move_blue_tube_rack_farthest_corner_Lcam">
<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>

## 数据集描述

- **主页:** [需补充更多信息]
- **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
{
"代码库版本": "v3.0",
"机器人类型": "so_follower",
"总回合数": 15,
"总帧数": 5884,
"总任务数": 1,
"分块大小": 1000,
"数据文件总大小（MB）": 100,
"视频文件总大小（MB）": 200,
"帧率": 30,
"数据集划分": {
"训练集": "0:15"
},
"数据文件路径格式": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"视频文件路径格式": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"数据特征": {
"动作": {
"数据类型": "float32",
"特征名称": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"形状": [
6
]
},
"观测.状态": {
"数据类型": "float32",
"特征名称": [
"shoulder_pan.pos",
"shoulder_lift.pos",
"elbow_flex.pos",
"wrist_flex.pos",
"wrist_roll.pos",
"gripper.pos"
],
"形状": [
6
]
},
"观测.图像.双目立体": {
"数据类型": "video",
"形状": [
240,
640,
3
],
"特征名称": [
"height",
"width",
"channels"
],
"详细信息": {
"视频高度": 240,
"视频宽度": 640,
"视频编码": "av1",
"视频像素格式": "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
}
},
"观测.图像.顶部左摄像头": {
"数据类型": "video",
"形状": [
480,
640,
3
],
"特征名称": [
"height",
"width",
"channels"
],
"详细信息": {
"视频高度": 480,
"视频宽度": 640,
"视频编码": "av1",
"视频像素格式": "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",
"形状": [
1
],
"特征名称": null
},
"帧索引": {
"数据类型": "int64",
"形状": [
1
],
"特征名称": null
},
"回合索引": {
"数据类型": "int64",
"形状": [
1
],
"特征名称": null
},
"全局索引": {
"数据类型": "int64",
"形状": [
1
],
"特征名称": null
},
"任务索引": {
"数据类型": "int64",
"形状": [
1
],
"特征名称": null
}
}
}

## 引用

**BibTeX格式:**

bibtex
[需补充更多信息]

搜集汇总

数据集介绍

构建方式

在机器人操作领域，高质量的数据集对于训练和评估模型至关重要。Lerobot_move_blue_tube_rack_farthest_corner_Lcam数据集依托LeRobot平台构建，通过实际机器人执行单一任务——将蓝色试管架移动至最远角落，采集了15个完整回合的数据。数据以每秒30帧的速率记录，涵盖5884个帧，并以Parquet格式分块存储，每块约1000帧，确保了数据的高效管理和访问。

特点

该数据集在机器人学习领域展现出鲜明的多模态特性。它不仅包含六维关节位置的动作和状态向量，还提供了立体视觉和顶部左摄像头的视频流，分辨率分别为240x640和480x640，编码为AV1格式。这种结构支持对机器人操作进行全面的时空分析，同时数据集的紧凑设计，如统一的帧率和清晰的索引字段，便于研究者深入探索动作与视觉感知的关联。

使用方法

对于机器人学习研究者而言，该数据集可直接用于训练或验证控制策略与视觉模型。用户可通过HuggingFace平台访问数据文件，利用提供的Parquet路径加载动作、状态和图像特征。数据集已预分割为训练集，涵盖所有15个回合，支持从帧级别到回合级别的分析，结合可视化工具，可直观审视机器人操作过程，加速算法开发与实验迭代。

背景与挑战

背景概述

在机器人学习领域，高质量、任务特定的数据集对于推动模仿学习与强化学习算法的进展至关重要。Lerobot_move_blue_tube_rack_farthest_corner_Lcam数据集由HuggingFace的LeRobot项目创建，专注于机械臂操作任务，具体涉及将蓝色试管架移动至最远角落的场景。该数据集通过集成多视角视觉观测与关节状态数据，旨在为机器人策略学习提供丰富的交互轨迹，以解决复杂环境下的精确抓取与放置问题。尽管创建时间与主要研究人员信息在现有资料中尚未明确披露，但其依托于开源机器人框架LeRobot，体现了社区驱动下数据共享以加速机器人泛化能力研究的趋势。

当前挑战

该数据集致力于解决机器人操作任务中的视觉-动作映射挑战，即在动态环境中基于多摄像头输入生成连续、精确的关节控制指令。构建过程中面临多重困难：首先，数据采集需协调高维动作空间与多模态观测的同步记录，确保时间对齐与数据一致性；其次，真实世界物理交互引入的噪声与不确定性，如光照变化、物体位姿扰动，增加了轨迹的复杂性与标注难度。此外，数据集规模有限，仅包含15个任务片段，可能制约了模型在未见场景下的泛化性能，如何从有限样本中提取鲁棒特征成为算法设计的核心挑战。

常用场景

经典使用场景

在机器人操作领域，该数据集聚焦于机械臂执行精细物体搬运任务，具体场景为将蓝色试管架移动至最远角落。数据集通过LeRobot平台采集，包含多视角视觉观测与关节状态数据，为模仿学习与强化学习算法提供了丰富的训练样本。研究者可基于此数据集训练模型，使机器人学习在复杂环境中完成目标导向的抓取与放置操作，推动机器人自主执行结构化任务的能力。

解决学术问题

该数据集旨在解决机器人操作中的样本效率与泛化性挑战。通过提供真实世界机械臂操作的多模态时序数据，它支持端到端策略学习的研究，减少对仿真环境的依赖。数据集的结构化设计有助于探索视觉-动作映射、状态表示学习等关键问题，为机器人适应动态场景提供数据基础，促进从演示数据中提取可迁移技能的方法发展。

衍生相关工作

围绕该数据集，衍生研究主要集中在机器人模仿学习与视觉运动控制方向。经典工作包括利用时序卷积网络处理多视角视频流以预测关节动作，或结合逆强化学习从演示中推断奖励函数。此外，数据集常作为基准用于评估策略蒸馏、跨任务迁移等方法的性能，推动了开源机器人学习社区的算法创新与标准化进程。