stevenworkspace/transfer_bottle_21

该数据集由LeRobot创建，用于机器人任务。它包含50个episodes，总共37102帧，数据结构包括动作、状态观察和图像观察。动作和状态观察均为16维向量，涵盖左右机械臂的关节位置和速度。图像观察来自三个摄像头：高摄像头、左腕摄像头和右腕摄像头，视频分辨率为480x640，帧率为30fps，编码为av1。数据集以parquet格式存储，总数据文件大小为100MB，视频文件大小为200MB，训练集涵盖所有episodes。This dataset was created using LeRobot for robotics tasks. It consists of 50 episodes with a total of 37,102 frames. The data structure includes actions, state observations, and image observations. Actions and state observations are 16-dimensional vectors covering joint positions and velocities of left and right robotic arms. Image observations come from three cameras: a high camera, left wrist camera, and right wrist camera, with video resolution of 480x640, frame rate of 30fps, and av1 codec. The dataset is stored in parquet format, with total data file size of 100MB and video file size of 200MB, and the training split includes all episodes.

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，聚焦于机器人操作任务中的瓶子转移场景。数据采集自mobileai_robot机器人平台，包含50个完整操作回合，总计37102帧时序数据。每个回合以30帧/秒的采样频率记录，通过三组摄像头（顶部视角、左腕部、右腕部）同步捕获640×480分辨率的RGB视频流，同时以16维浮点向量记录机器人关节位置与移动速度等本体感知状态。数据组织采用分块存储策略，以1000帧为单元将parquet格式的结构化数据与av1编码的视频文件分别归档，并经由统一的元数据文件（meta/info.json）管理全部回合的索引信息。

特点

数据集的核心特色在于其多模态融合与精细化的动作表征。视觉观测包含三视角同步视频（cam_high、cam_left_wrist、cam_right_wrist），为模仿学习提供丰富的空间上下文；动作与状态空间均采用16维向量，精确映射双臂12个关节角度、双滑台位置及底盘平动与旋转速度，形成完整的运动学闭环。此外，数据以30Hz高频采集确保时序连贯性，50个回合的规模兼顾多样性采集与计算效率，所有数据采用Apache-2.0开源协议发布，便于学术研究与工业应用场景下的复现与二次开发。

使用方法

数据集预置完整训练/测试划分（全部50回合作为训练集），可直接通过LeRobot库加载。用户调用datasets.load_dataset('stevenworkspace/transfer_bottle_21')即可获取标准化接口，其中视频数据将自动解码为张量，动作序列与状态观测以numpy数组形式返回。建议结合LeRobot的机器人学习流水线，采用行为克隆或扩散策略等算法进行模仿学习训练。数据集中chunks_size参数设定为1000帧便于分批次处理，而三视角视频可通过指定键名观察键（observation.images.*）并行调用以构造视觉策略输入管道。

背景与挑战

背景概述

transfer_bottle_21数据集由Hugging Face社区用户stevenworkspace创建，依托于LeRobot框架，聚焦于机器人操作技能的模仿学习与迁移。该数据集收录了50个示范片段、总计37102帧时序数据，涵盖双机械臂协同操作任务，每个片段以30帧/秒的速率记录，配备了高分辨率视觉观测（三个摄像头视角）与16维精细动作状态信息。在机器人学习领域，此类高质量示范数据集是推动行为克隆、逆强化学习等方法从仿真环境向真实世界迁移的关键资源。transfer_bottle_21专门针对瓶子转移这一典型精细操作任务设计，填补了双机械臂协同场景下标准化数据资源的空白，为研究跨任务、跨构型的技能泛化提供了可复用的实验基准。

当前挑战

该数据集面临的首要挑战在于机器人操作领域普遍存在的示范数据匮乏与多样性不足问题——仅包含50条任务片段可能难以覆盖真实环境中物体形状、位姿及动力学特性的全分布变异性，导致学习策略在未见场景中泛化能力受限。构建过程中亦遇到显著困难：双机械臂（mobileai_robot型）的高维联合空间（16自由度）与多模态传感融合（三路视频流与关节状态同步）要求严苛的软硬件协同校准，每一段高质量示范的采集均需人工遥操作与昂贵的设备支持。此外，任务边界模糊性（如瓶子抓取姿态的细微差异）与数据标注一致性维护进一步增加了规模化扩展的壁垒。

常用场景

经典使用场景

在机器人学习领域，transfer_bottle_21数据集作为模仿学习与行为克隆的经典基准，被广泛用于训练双臂移动操作机器人执行物体传递任务。该数据集包含50个完整演示片段，总帧数超过37000帧，记录了移动式AI机器人通过16维动作空间（涵盖双臂关节位置与底盘速度）进行水瓶传递的全过程。借助多视角视觉输入（主相机与左右腕部相机），研究者可构建从高维观测到低维动作的端到端映射模型，这是机器人从人类示教中获取复杂操作技能的核心范式。

实际应用

在产业级场景中，该数据集所催生的技术成果可无缝融入智能制造和仓储物流等环节。例如，双臂机器人可依据模仿学习策略自主完成流水线上的物料传递、成品分拣与精密装配任务，降低了对专业编程人员的依赖。基于其三维视觉与关节控制数据训练的策略，能使机器人在光照变化、目标位姿扰动等复杂环境中保持稳健操作，为未来柔性生产线的自动化升级提供了可靠的数据基础。

衍生相关工作

围绕transfer_bottle_21数据集，学界涌现了多项开创性工作。典型包括基于隐式策略的模仿学习算法，如扩散策略（Diffusion Policy）在该数据集上验证了其生成平滑动作轨迹的优秀能力；任务参数化运动基元（TP-GMM）被用于提取跨演示的共享运动模式，提升样本效率。此外，以LeRobot框架为基础的标准化基线系统将此数据集作为评估动作分块与时间维度的注意力机制的关键测试床，推动了机器人策略学习领域的可复现研究生态建设。