KS325/close-lower-drawer-r1_emp_test

该数据集由LeRobot创建，属于机器人领域。数据集包含2个episodes，1694帧，1个任务。数据格式为parquet和mp4。特征包括动作（6个关节位置）、观测状态（6个关节位置）、两个摄像头图像（480x640分辨率，30fps）、时间戳、帧索引、episode索引等。数据集总大小为100MB（数据文件）和200MB（视频文件）。

This dataset was created by LeRobot and belongs to the robotics domain. It contains 2 episodes, 1694 frames, and 1 task. The data format is parquet and mp4. Features include actions (6 joint positions), observation states (6 joint positions), images from two cameras (480x640 resolution, 30fps), timestamps, frame indices, episode indices, etc. The total size of the dataset is 100MB (data files) and 200MB (video files).

搜集汇总

数据集介绍

构建方式

在机器人操作领域，数据采集的精细程度直接决定了学习算法的泛化能力。本数据集依托LeRobot开源框架构建，通过遥操作控制So_Follower机械臂执行关闭下层抽屉这一具体任务。数据采集过程中，同步记录六自由度关节角度作为动作指令与状态观测值，并利用双视角摄像头以30帧/秒的速率捕获640×480分辨率的视觉图像。整个数据集包含2个演示回合、共计1694个时间步长，原始数据以Parquet格式高效存储，视频流则采用AV1编码压缩为MP4文件。

使用方法

使用者可通过LeRobot库提供的标准数据加载接口直接读取Parquet文件与关联视频。数据集自动完成时间戳、帧索引、回合索引等元数据的对齐，开发者仅需指定数据路径即可获取批量的动作-状态-图像序列。由于采用Apache 2.0开源许可，该数据集适用于学术研究与商业场景，尤其适合作为机械臂单任务操作学习的基准测试集，支持基于视觉的模仿学习策略训练与评估。

背景与挑战

背景概述

随着机器人学习领域对真实世界交互数据的需求日益增长，基于视觉与运动轨迹的机器人操作数据集成为推动模仿学习与策略迁移的关键。close-lower-drawer-r1_emp_test数据集由研究人员借助LeRobot框架构建，该框架由Hugging Face社区主导，致力于标准化机器人数据采集与模型训练流程。该数据集聚焦于机器人闭合下层抽屉这一精细操作任务，通过so_follower机器人平台以30帧/秒的速率采集了2个演示回合、共计1694帧的时序数据，涵盖六维关节角度动作、机器人本体状态以及双视角摄像头视觉影像。数据以Apache-2.0许可开源发布，为研究闭合抽屉这一结构性任务中的运动规划、视觉伺服与行为克隆提供了标准化基准，对探索家庭服务机器人操作能力具有重要参考价值。

当前挑战

该数据集所应对的领域挑战在于解决机器人闭合抽屉任务中面临的动态环境适应性与操作精度问题。闭合下层抽屉要求机器人协调多关节运动以施加适当力与轨迹，同时需处理抽屉间隙、摩擦变化及视觉遮挡等不可控因素，这不同于仅需简单拾取或放置任务的开放场景。在构建过程中，核心挑战包括：如何通过仅含2个演示回合的有限样本捕捉任务关键特征，以支撑行为克隆算法的泛化能力；同时，需确保双摄像头（640×480像素）影像与6维关节状态数据的高效同步，并依托AV1视频编码在保持视觉细节的前提下控制存储压力。此外，数据标准化为LeRobot格式虽简化了后续模型训练流程，但如何针对so_follower机器人特有的柔顺控制特性设计策略，以在闭合过程中避免过度力冲击，仍是实际部署中的瓶颈所在。

常用场景

经典使用场景

在机器人学与具身智能研究领域，close-lower-drawer-r1_emp_test数据集为模仿学习与行为克隆方法提供了重要的训练基准。该数据集记录了“SO_Follower”机器人执行关闭下层抽屉这一精细操作任务的全过程，包含2个演示轮次、共计1694帧的高频数据（30 FPS），并以动作序列与状态观测的配对形式呈现。经典使用场景集中于利用基于视觉的运动策略（如扩散策略或变换器模型）进行端到端学习，通过多视角相机输入（camera1与camera2，分辨率640×480）联合机器人6自由度关节状态，训练模型复现闭合抽屉的连续操控轨迹，从而验证模仿学习在结构化日常任务中的泛化能力。

解决学术问题

该数据集精准回应了机器人操作中对于非接触式闭环控制与长程任务分解的学术需求。传统方法依赖显式运动规划与精确环境建模，而本数据集通过提供包含力反馈隐式信息的动作-状态对，促使研究者探索如何利用少量演示数据学习鲁棒的低层控制器。其设计的单任务、低变异性场景（仅2条轨迹）恰好适合评估小样本模仿学习算法的数据效率、动作生成的平滑性以及面对环境噪声的适应性。该数据集在揭示行为克隆中分布外状态泛化难题的同时，为推动更高效的低维操作技能学习范式提供了可复现的测试平台，对推动机器人技能获取理论的发展具有显著意义。

实际应用

在实际应用中，close-lower-drawer-r1_emp_test所代表的精细操作能力可迁移至智能家居服务机器人的核心功能模块。例如，家庭环境中自动开关橱柜、抽屉等常见家具的操作，需要机器人具备对狭小空间下精确力位混合控制的能力。该数据集采集的演示数据可直接用于训练具备自我校正能力的执行策略，使机器人即使面对抽屉滑轨磨损、卡滞等非理想工况，仍能通过视觉-运动学习实现稳健的闭合操作。此外，基于此数据集训练的模型可进一步嵌入到陪护机器人或辅助操作系统中，帮助行动不便人士完成存取物品等日常任务，从而提升智能装备在真实生活场景中的实用性与可靠性。

数据集最近研究

最新研究方向

在机器人操作领域，精细操作任务如抽屉闭合因涉及复杂力控与视觉反馈而长期是研究难点。该数据集专注于'关闭下层抽屉'这一具体操作，通过采集SO_Follower机械臂的六维关节位姿及双视角高清视频流，为模仿学习与示教学习提供了多模态对齐的基准资源。结合近期具身智能热潮，此类非结构化数据正推动从传统运动规划向数据驱动机器人技能的范式转变——例如利用扩散策略或视觉语言模型泛化操作意图。该数据集虽样本量较小，但其高质量闭环采集流程与LeRobot生态的兼容性，为验证少量示范下的零样本迁移学习、安全约束策略等前沿课题奠定了实证基础，对家用服务机器人场景的落地方向具有显著参考价值。