stevenworkspace/eval_take_mvactd_31

该数据集是一个机器人学数据集，使用LeRobot工具创建，专为移动AI机器人（mobileai_robot）设计。它包含1个episode、1076个帧和1个任务，数据以parquet格式存储。数据集的特征包括动作数据（如左右机械臂的关节位置和速度）和观测数据，其中观测包含状态信息（如关节位置和速度）以及来自三个摄像头的视频图像：一个高位摄像头和两个手腕摄像头（左腕和右腕），所有视频分辨率均为480x640，帧率为30fps，采用av1编码。此外，数据集还提供时间戳、帧索引、episode索引等元数据，适用于机器人控制、视觉感知和强化学习任务。

许可协议：Apache-2.0
任务类别：
- 机器人学（robotics）
标签：
- LeRobot（LeRobot）
配置项：
- 配置名称：default
数据文件路径：data/*/*.parquet
---

本数据集基于[LeRobot（LeRobot）](https://github.com/huggingface/lerobot)构建。

<a class="flex" href="https://huggingface.co/spaces/lerobot/visualize_dataset?path=stevenworkspace/eval_take_mvactd_31">
<img class="block dark:hidden" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl.svg"/>
<img class="hidden dark:block" src="https://huggingface.co/datasets/huggingface/badges/resolve/main/visualize-this-dataset-xl-dark.svg"/>
</a>

## 数据集说明

- **主页：** [更多信息待补充]
- **论文：** [更多信息待补充]
- **许可协议：** Apache-2.0

## 数据集结构

`meta/info.json` 文件详情：
json
{
"codebase_version": "v3.0",
"robot_type": "mobileai_robot",
"total_episodes": 1,
"total_frames": 1076,
"total_tasks": 1,
"chunks_size": 1000,
"data_files_size_in_mb": 100,
"video_files_size_in_mb": 200,
"fps": 30,
"splits": {
"train": "0:1"
},
"data_path": "data/chunk-{chunk_index:03d}/file-{file_index:03d}.parquet",
"video_path": "videos/{video_key}/chunk-{chunk_index:03d}/file-{file_index:03d}.mp4",
"features": {
"action": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_left_carriage_joint.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_left_carriage_joint.pos",
"x.vel",
"theta.vel"
],
"shape": [
16
]
},
"observation.state": {
"dtype": "float32",
"names": [
"left_joint_0.pos",
"left_joint_1.pos",
"left_joint_2.pos",
"left_joint_3.pos",
"left_joint_4.pos",
"left_joint_5.pos",
"left_left_carriage_joint.pos",
"right_joint_0.pos",
"right_joint_1.pos",
"right_joint_2.pos",
"right_joint_3.pos",
"right_joint_4.pos",
"right_joint_5.pos",
"right_left_carriage_joint.pos",
"x.vel",
"theta.vel"
],
"shape": [
16
]
},
"observation.images.cam_high": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.cam_left_wrist": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"observation.images.cam_right_wrist": {
"dtype": "video",
"shape": [
480,
640,
3
],
"names": [
"height",
"width",
"channels"
],
"info": {
"video.height": 480,
"video.width": 640,
"video.codec": "av1",
"video.pix_fmt": "yuv420p",
"video.is_depth_map": false,
"video.fps": 30,
"video.channels": 3,
"has_audio": false
}
},
"timestamp": {
"dtype": "float32",
"shape": [
1
],
"names": null
},
"frame_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"episode_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"index": {
"dtype": "int64",
"shape": [
1
],
"names": null
},
"task_index": {
"dtype": "int64",
"shape": [
1
],
"names": null
}
}
}

## 引用

**BibTeX 格式：**

bibtex
[更多信息待补充]

搜集汇总

数据集介绍

构建方式

该数据集基于LeRobot框架构建，专为机器人操控任务设计。数据采集自名为'mobileai_robot'的移动机械臂平台，共包含1个有效轨迹、1076帧时序数据，采样频率为30帧/秒。数据以parquet格式存储低维状态与动作序列，同时将三路高清摄像头（分别覆盖全局俯视、左腕与右腕视角）采集的640×480像素视频流编码为AV1格式的MP4文件。为便于大规模存取，数据被划分为块（chunk）与文件（file）层级结构，并附带了元信息文件以描述特征维度、编码参数与数据集划分。

特点

数据集具有多模态、高维度与精准对齐三大特点。其观测空间融合了16维的关节位置与速度状态，以及三视角的连续视频流，为模仿学习提供了丰富的环境感知信息。动作空间与状态空间同构，均涵盖双机械臂的14个关节与基座的线速度、角速度，实现了状态-动作的镜像映射。尽管仅包含单一任务与单条轨迹，但1076帧的密集采样确保了时间连续性，且视频与低维数据的时间戳完全同步，适用于精细的操控策略学习。

使用方法

使用LeRobot生态可便捷加载。用户通过`lerobot.Dataset`接口传入数据集路径即可获取迭代器，返回的每个样本包含`action`、`observation.state`以及以字典形式组织的`observation.images`多视角视频帧。数据集预设了训练集划分，支持直接用于行为克隆或强化学习算法的训练脚本。推荐在可视化工具中预览数据，以便校验状态连续性及视频与动作的对齐效果。结合Apache-2.0许可证，该项目可自由用于学术研究与非商业场景。

背景与挑战

背景概述

eval_take_mvactd_31数据集由机器人学习领域的研究者创建，依托于LeRobot平台构建，旨在为移动机械臂的操作控制提供标准化的评估基准。该数据集聚焦于多视角视觉感知与多关节运动规划的协同问题，通过整合高分辨率视觉图像与16维度的联合状态-动作空间，为模仿学习或强化学习算法的泛化性能测试提供了精细化数据支撑。尽管目前仅有单个训练回合与单一任务，但其系统化的数据架构为后续扩展多任务、多场景的机器人操作研究奠定了数据基础。

当前挑战

该数据集所解决的领域核心挑战在于如何克服机器人操作中高维连续动作空间的探索效率低下与视觉-运动控制的跨模态对齐难题。构建过程中面临多重技术壁垒：首先，需同步采集三个视角的高清视频流（480p@30fps）与16维关节运动数据，保证时间戳严格对齐；其次，单条任务轨迹仅1076帧的规模限制了模型对复杂运动模式的泛化能力；此外，AV1视频编解码的存储压缩方案虽节省空间，却可能引入信息衰减，对后续特征提取的保真度构成潜在风险。

常用场景

经典使用场景

在机器人操作与运动规划领域，eval_take_mvactd_31数据集的设计紧密围绕移动机械臂在动态环境中的自主决策任务。该数据集记录了MobileAI机器人执行抓取与放置操作的完整流程，包含高帧率（30 FPS）的多视角视频流（顶部、左右腕部摄像头）与16维状态-动作空间（涵盖双臂关节位置、底座线速度及偏航角速度）。其经典使用场景聚焦于模仿学习与行为克隆，研究者可基于该数据集的轨迹数据训练策略网络，使机器人复现或泛化所记录的抓取行为。

实际应用

在实际产业应用中，该数据集可用于训练自主移动机器人完成仓储分拣、物料搬运及装配线协作任务。其采集的多视角视觉数据与关节级动作指令，直接映射至需要精确双臂配合与机动导航的场景，例如柔性制造中的零部件递送或危险环境下的远程操作。结合LeRobot工具链，开发者可快速将预训练策略部署至实体机器人，缩短从算法验证到产品落地的周期。

衍生相关工作

该数据集衍生的工作主要围绕模仿学习算法改进与跨场景迁移。一方面，研究者利用其高维状态空间探索注意力机制与时空序列建模，衍生出如扩散策略（Diffusion Policy）在双臂机器人上的适配版本；另一方面，结合迁移学习技术，该数据集的轨迹被用于微调视觉-语言-动作模型（如RT-2），提升机器人对未见任务指令的执行泛化能力。此外，基于此数据集的竞赛与基准测试促使了多模态融合方法的涌现，推动了LeRobot社区中可复现的机器人学习流水线标准化。