IS_libero_spatial_D_large

该数据集由LeRobot创建，主要用于机器人技术领域。数据集包含500个集，41226帧，10个任务，数据文件大小为100MB，视频文件大小为500MB，帧率为20fps。数据集的特征包括图像、状态、动作、时间戳、帧索引、集索引、索引和任务索引等。

This dataset was created by LeRobot, targeting the robotics research domain. It comprises 500 episodes, 41226 frames, and encompasses 10 distinct tasks. The total size of the data files is 100 MB, while the video files total 500 MB, with a frame rate of 20 fps. The dataset includes features such as images, states, actions, timestamps, frame indices, episode indices, sample indices, and task indices.

原始信息汇总

数据集概述

基本信息

• 数据集名称: IS_libero_spatial_D_large
• 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, libero, panda, isaacsim, PIB

数据集规模与结构

• 总任务数: 10
• 总情节数: 500
• 总帧数: 41226
• 数据块大小: 1000
• 数据文件大小: 100 MB
• 视频文件大小: 500 MB
• 帧率: 20 FPS
• 数据格式: Parquet
• 代码库版本: v3.0
• 机器人类型: panda
• 数据路径模式: data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet
• 视频路径: 无
• 数据划分: 训练集 (0:500)

数据特征

• observation.images.image:
  • 数据类型: 图像
  • 形状: [256, 256, 3]
  • 维度名称: [高度, 宽度, 通道]
• observation.state:
  • 数据类型: float32
  • 形状: [8]
  • 维度描述: [x, y, z, r, p, y, left_finger, right_finger]
• action:
  • 数据类型: float32
  • 形状: [7]
  • 维度描述: [x, y, z, roll, pitch, yaw, gripper]
• timestamp:
  • 数据类型: float32
  • 形状: [1]
• frame_index:
  • 数据类型: int64
  • 形状: [1]
• episode_index:
  • 数据类型: int64
  • 形状: [1]
• index:
  • 数据类型: int64
  • 形状: [1]
• task_index:
  • 数据类型: int64
  • 形状: [1]

引用信息

• 主页: 未提供
• 论文: 未提供
• BibTeX引用格式: 未提供

搜集汇总

数据集介绍

构建方式

在机器人操作学习领域，仿真环境为算法验证提供了高效且可控的平台。IS_libero_spatial_D_large数据集依托LeRobot框架，在Isaac Sim仿真环境中构建而成。该数据集聚焦于Franka Panda机械臂的操作任务，通过系统性地采集10种不同任务下的交互数据，最终汇集了500条完整轨迹，共计超过4.1万帧的观测-动作对。数据以分块Parquet格式存储，每块包含1000帧，确保了大规模数据的高效组织与访问。

特点

该数据集的核心特征在于其多模态、结构化的高质量仿真数据。观测部分不仅包含分辨率为256x256的三通道视觉图像，还提供了机械臂末端执行器的8维状态信息，涵盖位置、姿态及夹爪开合度。动作空间则定义为7维连续控制指令。数据集通过帧索引、回合索引及任务索引实现了精细的层次化标注，支持按任务或回合进行灵活的数据切片与模型训练，为空间操作策略的学习提供了丰富的监督信号。

使用方法

研究者可利用该数据集进行机器人模仿学习、离线强化学习等算法的开发与评估。数据以标准化的Parquet文件组织，可通过Hugging Face数据集库直接加载。典型的流程包括：依据meta/info.json中的特征描述解析数据块，提取图像、状态与动作序列；利用任务索引划分不同技能的学习场景；基于20fps的时间戳信息构建时序模型。数据集完全用于训练，为算法在仿真环境中的性能基准测试提供了可靠的数据基础。

背景与挑战

背景概述

IS_libero_spatial_D_large数据集是机器人学习领域的重要资源，专注于强化学习与模仿学习在复杂长视野任务中的应用。该数据集由LeRobot平台构建，利用Isaac Sim仿真环境与Panda机器人模型，旨在解决机器人操作任务中的空间推理与多步骤规划问题。其核心研究问题在于如何通过大规模、多样化的交互数据，提升机器人在非结构化环境中的自主决策与执行能力。该数据集通过提供包含500个任务片段、超过4万帧的图像与状态动作对，为机器人策略学习与泛化研究奠定了数据基础，对推动机器人智能从实验室仿真向实际应用过渡具有显著影响力。

当前挑战

该数据集致力于应对机器人操作任务中长视野空间推理的挑战，具体包括在多变环境中实现精确的物体操控、多步骤任务序列的连贯执行，以及从高维视觉输入中提取有效特征以指导动作生成。构建过程中的挑战涉及大规模仿真数据的采集与标注，需确保数据在时间维度上的连续性与物理一致性；同时，数据集的多样性与泛化能力要求任务设计覆盖广泛的场景变化，这增加了仿真环境配置与数据存储管理的复杂性。此外，从仿真到真实世界的域适应问题，以及高维图像与状态数据的有效融合，均为数据集应用带来持续的技术难题。

常用场景

经典使用场景

在机器人学习领域，IS_libero_spatial_D_large数据集为模仿学习与强化学习算法提供了丰富的训练资源。该数据集通过Panda机械臂在模拟环境中执行多样化任务，记录了包括图像观测、机器人状态及动作指令在内的时序数据，常用于训练端到端的机器人控制策略。研究者利用其高维视觉与状态信息，能够开发出适应复杂场景的智能体，推动机器人自主操作能力的发展。

实际应用

在实际应用中，IS_libero_spatial_D_large数据集能够赋能工业自动化与家庭服务机器人。基于其记录的机械臂操作数据，可以训练模型执行分拣、装配等精细任务，提升生产线的灵活性与效率。同时，该数据集也为开发适应动态环境的机器人系统提供了仿真支持，加速了从虚拟训练到实体部署的转化过程，具有显著的工程价值。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在机器人模仿学习与离线强化学习方向。例如，基于其多任务演示数据，研究者提出了跨任务策略迁移算法，提升了模型在未见任务上的适应性。此外，结合视觉观测与状态信息的工作，推动了机器人感知与控制一体化框架的发展，为后续大规模机器人数据集的构建与应用提供了重要参考。