globcy/libero_dir_90

该数据集是使用LeRobot创建的机器人学数据集，专门针对panda机器人。数据集包含3917个episodes，总计567494帧，覆盖73个不同任务。数据以parquet文件格式存储，特征包括两个224x224x3的图像（image和image2）、8维浮点状态向量、7维浮点动作向量，以及其他索引信息如子任务索引、移动索引、时间戳、帧索引、episode索引、任务索引等。数据集以10fps的帧率录制，总数据文件大小为100MB，视频文件大小为200MB，仅包含训练集。

This is a robotics dataset developed using LeRobot, tailored specifically for the Panda robot. It contains 3,917 episodes with a total of 567,494 frames, covering 73 distinct tasks. The dataset is stored in Parquet file format, with features including two 224×224×3 images (named image and image2), an 8-dimensional floating-point state vector, a 7-dimensional floating-point action vector, as well as other indexing information such as subtask index, movement index, timestamp, frame index, episode index, and task index. Recorded at a frame rate of 10 fps, the total size of the data files is 100 MB, while the video files amount to 200 MB. This dataset only includes a training split.

搜集汇总

数据集介绍

构建方式

libero_dir_90数据集依托于LeRobot框架构建，旨在为机器人操作任务提供标准化数据支撑。该数据集由Panda机械臂在模拟与真实环境中采集，涵盖73种不同任务，总计3917个完整轨迹片段，包含567494帧数据。数据以parquet格式存储，并配合同步录制的MP4视频文件，确保多模态信息的完整对齐。构建时采用了分块策略，将数据与视频分别按1000帧为单元组织，便于高效加载与分布式处理。

特点

该数据集最显著的特点在于其丰富的任务多样性与结构化的数据组织方式。数据集记录了机械臂执行精细操控时的观测图像、8维状态向量以及7维动作指令，同时标注了子任务索引与动作序列索引，为层次化任务分解和动作规划研究提供了便利。此外，数据集的所有样本均以10帧/秒的固定采样率记录，保证了时间维度上的一致性，适用于模仿学习与强化学习等多种范式。

使用方法

使用者可通过LeRobot库直接加载libero_dir_90数据集，利用其内置的迭代器按轨迹片段或帧序列读取数据。具体操作时，需指定数据集路径并调用相应的数据处理函数，即可获得包含视觉观测、状态与动作的标准化样本。数据集已预先划分为训练集（包含全部3917个轨迹），未提供验证与测试集划分，因此研究者需自行进行数据分割。建议结合LeRobot的视觉编码器与策略网络，开展模仿学习或离线强化学习实验。

背景与挑战

背景概述

libero_dir_90数据集是LIBERO系列数据集的重要组成部分，由全球顶尖研究机构于近年创建，旨在推动机器人操作学习与通用智能体发展。该数据集聚焦于机器人从视觉观察中学习方向性操作任务，核心研究问题在于探索多任务机器人学习中的技能泛化与细粒度操作能力。通过海量高质量演示数据，它显著降低了机器人策略学习所需的数据获取门槛，成为多任务模仿学习与离线强化学习领域的重要基准。出自开源机器人学习框架LeRobot，libero_dir_90以其丰富任务种类和标准化格式，对跨任务知识迁移与复杂操作策略的鲁棒性研究产生了深远影响，加速了机器人基础模型发展的进程。

当前挑战

该数据集所解决的领域挑战主要源于机器人多任务方向性操作中的两大难点：一是视觉状态感知与动作映射的复杂性，在73种微妙方向变化任务中，机器人需从高维图像输入精准推断连续动作，这对策略的泛化能力构成严峻考验；二是构建过程中，确保3917个演示片段的一致性与低噪声极为困难，包含7维动作向量与8维状态空间的数据采集需精确的遥操作控制与传感器校准。此外，跨任务间数据分布漂移和长尾任务覆盖不足的问题，要求数据集在维持大规模的同时兼顾任务均衡性，这对底层架构与标注流程提出了额外挑战。

常用场景

经典使用场景

libero_dir_90数据集是面向机器人操作学习领域的精细化任务集合，依托Franka Emika Panda机械臂在仿真环境中采集而成。该数据集包含73个独特的操作任务，共计3917条完整轨迹，每条轨迹以10帧/秒的频率记录了224×224分辨率的双视角视觉观测、8维机器人状态信息以及7维动作指令。其经典使用场景集中于模仿学习与行为克隆算法的训练与评估，研究者可通过此数据集学习从视觉状态到连续动作的端到端映射，尤其适用于多任务泛化与长期任务规划等前沿课题的探索。

解决学术问题

该数据集精准解决了机器人学习中数据稀缺与任务多样性不足的核心难题。通过提供涵盖73种不同操作场景的标准化轨迹，libero_dir_90使研究人员能够在统一的基准上系统评估各类算法在细粒度任务指令理解、子任务分解及动作序列生成方面的表现。其结构化设计支持对任务索引与子任务标签的解析，从而推动了关于任务表征学习、跨任务知识迁移以及基于语言指令的多阶段操作规划等学术问题的深入研究，为提升机器人系统的灵活性与自主决策能力奠定了数据基础。

衍生相关工作

libero_dir_90数据集衍生了一系列引领机器人学习方向的重要工作。基于该数据集的经典研究包括任务条件化行为克隆（Task-Conditioned Behavioral Cloning），其中研究者利用任务索引作为条件变量提升多任务策略的准确性；以及层次化模仿学习方法，借助子任务标签实现复杂任务的逐步分解与执行。此外，该数据集还催生了基于Transformer的决策模型、视觉语言模型融合的操作规划系统，以及针对长期时序一致性的动作预测框架，极大地丰富了机器人学习领域的方法论体系。