智能制造中拧螺丝场景具身机器人数据

本数据面向工业制造场景中装配作业自动化应用需求，聚焦螺丝拧紧这一典型高频精细装配操作任务，系统采集工业机器人在实际作业过程中形成的末端执行器运动轨迹、空间位姿、扭矩与转速状态、操作时序信息以及与工件、螺丝、装配工装等生产环境物体交互相关数据，真实反映工业装配环境下螺丝拧紧作业的操作流程与动作特征。 相关数据可用于支撑工业机器人装配作业流程建模、拧紧动作复现、装配路径优化及作业稳定性验证，提升机器人在复杂工业环境中的精细装配能力、作业一致性及过程稳定性，为工业机器人装配单元产品研发、系统集成及智能制造场景推广提供基础数据支撑。1.数据采集 本数据集采集机器人在实际执行过程中形成的末端执行器运动轨迹、空间位姿、夹持与驱动状态、操作控制时序、多视角视觉感知信息的多模态作业数据，构建工业装配精细操作行为时序样本数据集。数据来源为机器人本体控制系统、视觉感知系统及多类型传感器采集系统。采集的基础数据以“控制周期帧”为最小时间粒度，结合全局控制频率（fps，帧/秒）与视觉采集频率（camera_fps，帧/秒）进行同步记录。末端执行器为Omnipicker。 采集字段主要包括：机器人末端执行器空间位置与姿态数据、关节状态数据、动作控制指令数据、多视角视觉感知数据、机器人本体位姿数据及作业任务语义信息等，上述数据构成机器人具身操作行为建模及算法训练的基础数据来源。 2.数据处理 对采集到的原始机器人操作数据进行清洗、校准及标准化处理： （1）异常与无效数据清理 去除传感器丢帧、通信异常、动作指令丢失及状态跳变异常数据，确保分析对象为真实有效的机器人作业过程数据。 （2）帧同步处理 基于timestep（单位：步）与fps 建立统一时间轴，对视觉数据、状态数据及动作数据进行时间对齐，确保数据满足时序因果关系要求。 3.轨迹学习 算法以机器人历史操作数据为训练基础，将机器人在时刻t的本体状态向量 S(t)与环境视觉感知特征向量V(t)进行融合建模，通过基于专家示教数据的模仿学习或行为克隆方法，利用深度时序策略网络学习专家操作轨迹特征，构建控制策略函数 F，实现机器人动作决策预测： A(t+1)=F(S(t),V(t)) 其中： S(t)：机器人状态向量(state相关字段)，包括关节状态、末端位姿、执行器状态等； V(t)：环境视觉感知特征（photo、video相关字段），包括图像特征、视频时序特征等； F：为基于深度时序建模网络（如Transformer、Diffusion Policy 或RNN类结构）构建的控制策略模型。 A(t+1)：（action相关字段）机器人下一时刻动作控制向量。

搜集汇总

背景与挑战

背景概述

该数据集面向工业制造中螺丝拧紧这一精细装配任务，系统采集了机器人在实际作业中的末端轨迹、空间位姿、关节状态以及多视角视觉等多模态数据，真实反映了装配操作流程与动作特征。数据可用于支撑工业机器人装配作业建模、拧紧动作复现、路径优化及稳定性验证，以提升机器人在复杂环境中的精细装配能力与作业一致性。