Aneesha/eval_so101_blueblock_run60

该数据集是一个机器人控制数据集，使用LeRobot框架创建。数据集包含2个episodes、569帧和1个任务，数据以parquet格式存储，视频以mp4格式存储。特征包括6维动作向量和6维观测状态向量（对应机器人的肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置），以及两个视角的图像观测：前视和侧视图像，分辨率均为480x640，30fps。此外，还包含时间戳、帧索引、episode索引等元数据。数据集适用于机器人学习任务，如模仿学习或强化学习。

This dataset is a robotics control dataset created using the LeRobot framework. It contains 2 episodes, 569 frames, and 1 task, with data stored in parquet format and videos in mp4 format. Features include a 6-dimensional action vector and a 6-dimensional observation state vector (corresponding to robot shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), as well as image observations from two perspectives: front and side views, both at 480x640 resolution and 30fps. Additionally, it includes metadata such as timestamps, frame indices, and episode indices. The dataset is suitable for robotics learning tasks, such as imitation learning or reinforcement learning.

搜集汇总

数据集介绍

构建方式

在机器人学习领域，数据集的构建质量直接决定了模型从演示中模仿学习的能力。eval_so101_blueblock_run60数据集基于LeRobot框架精心打造，采用so_follower机器人平台，通过遥操作或自动程序采集了共计2个演示回合（episodes），包含569帧连续状态与动作序列。数据以Parquet格式高效存储，同时将视觉观测以AV1编码的MP4视频形式保存，分辨率统一为480×640像素，确保高保真的环境感知信息得以保留。数据集的元信息通过info.json详细记录，包括6维动作空间（涵盖肩部、肘部、腕部及夹爪的自由度）以及对应的状态观测，为后续的模仿学习算法提供了结构清晰、格式统一的训练素材。

特点

该数据集最显著的特点在于其面向单一任务“蓝色方块操控”的专精化设计，总任务数为1，使得数据具有高度的任务聚焦性。数据采集帧率稳定在30 FPS，保证了时间序列的平滑性和动作的细腻程度。视觉模态上，数据集提供了“前视”与“侧视”两个角度的图像流，为算法提供了丰富的空间与视角信息，有助于提升模型对三维场景的理解和泛化能力。此外，数据集遵循LeRobot的标准化规范，预定义了训练集与验证集划分，且视频与表格数据分路径管理，便于高效加载与缓存，极大地方便了研究者在统一的接口下进行实验复现与性能比较。

使用方法

使用该数据集时，研究者可依托LeRobot库提供的数据加载器（DataLoader）与数据集类（Dataset），通过指定数据集名称和配置参数（如chunks_size、帧率）直接读取预处理后的parquet文件和同步的视频帧。代码中，可通过访问'action'键获取长度为6的连续动作向量，通过'observation.state'获取对应的机械臂关节状态，并通过'observation.images.front'与'observation.images.side'获取字典形式的图像张量。数据集的episode_index与frame_index字段支持按回合与帧索引进行结构化遍历，方便批量构建训练批次或用于离线强化学习的回放缓冲区。研究者亦可利用LeRobot内置的可视化工具在线预览数据，快速验证数据质量与任务细节。

背景与挑战

背景概述

在机器人学习领域，模仿学习作为赋予机械臂灵巧操作能力的关键范式，高度依赖高质量、多模态的示教数据集。该数据集由研究者Aneesha使用LeRobot框架创建，针对so_follower型机器人平台，聚焦于蓝色方块抓取与放置的单一操作任务。数据集包含2个演示回合、共计569帧，以30帧/秒的频率采集了关节角度、末端执行器位姿及前视与侧视双视角视觉流。其发布旨在为机器人单任务模仿学习提供标准化基准，尤其填补了低成本开源硬件平台在精细操作数据上的空白，对推动可复现的机器人操作研究具有奠基性意义。

当前挑战

该数据集所解决的领域核心挑战在于，如何让机器人从有限示教中泛化至未见过场景，当前规模仅涵盖极低数量的演示，对学习算法的鲁棒性要求极高。构建过程中面临的主要挑战包括：1）使用so_follower型差分机械臂时，在60秒运行时间内需稳定追踪蓝色高反光物体，在非受控光照下易产生视觉追踪漂移；2）多模态数据流的精确时域同步，即30Hz的高频关节状态与视频流的帧对齐，需依赖LeRobot框架自带的缓冲机制进行插值修正；3）面对单个物体的单一任务设定，数据多样性严重受限，无法覆盖抓取角度、物体位姿变化等因素，对后续训练出的策略在真实世界中的迁移能力构成严峻考验。

常用场景

经典使用场景

在机器人学习领域，eval_so101_blueblock_run60数据集被广泛用于模仿学习与行为克隆的研究。该数据集采集了一台六轴协作机器人（so_follower）在操作蓝色积木任务中的示范轨迹，包含两个完整episode、共计569帧的时序数据。其经典的使用方式是作为训练数据，输入到端到端的视觉-运动策略网络中，使机器人学会从视觉观测（前视与侧视摄像头）直接映射到关节空间的动作指令。数据集中同步采集的关节位置状态与动作序列，为模型提供了对齐的示范对，常用于评估模型在有限示范下的泛化能力与操作精度。

衍生相关工作

基于该数据集的特点，衍生出多项具有影响力的研究工作。在算法层面，研究者常以此为基准测试‘扩散策略’（Diffusion Policy）在低数据量下的表现，探索条件概率模型对多模态动作分布的学习能力。数据集的结构化元信息（如机械臂6自由度关节名）也促进了‘统一策略’（Unified Policy）框架的发展，该框架通过标准化动作与状态空间，实现了跨机器人形态的技能迁移。此外，LeRobot社区围绕该数据集构建了完整的训练-评估流水线，催生了如‘ACT（Action Chunking Transformers）’和‘VQ-BeT（Vector Quantized Behavior Transformer）’等经典算法的工程化复现。这些工作共同丰富了机器人模仿学习领域的实证基础。

数据集最近研究

最新研究方向

该数据集聚焦于基于模仿学习的机器人精细化操控研究，尤其是目标物抓取与放置任务的端到端策略学习。借助LeRobot框架，通过多视角视觉观测（前视与侧视）与六自由度动作空间的协同记录，为双臂协同或单臂操作任务提供标准化训练样本。当前前沿方向集中于利用此类高保真时序数据训练视觉-运动联合模型，探索在未知场景下泛化执行“蓝块”等结构化对象的精准操作。结合仿真到现实的迁移学习浪潮，该数据集可作为验证算法在受限工况中鲁棒性的基准，推动机器人从程序化控制向数据驱动的自适应交互范式演进。