当前全球机器人智能化迭代进入加速期，高质量、标注完备的实采训练数据已成为机器人控制算法、多模态感知模型研发的核心瓶颈，尤其是同时覆盖关节动作序列、多视角视觉观测的配套数据集供给稀缺，大量中小研发团队、高校实验室需要投入高额成本自行采集数据，大幅拉长了研发周期。近日，开发者ApaydinK正式推出的le-robot_levke数据集，为机器人学细分领域的研发提供了轻量化的标准化数据选择。
该数据集基于LeRobot框架构建，聚焦机器人学核心任务设计数据维度：核心数据包含机器人动作与状态观测两类，其中动作、状态参数均覆盖6个核心关节位置，具体包含肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部滚动和夹爪位置，可完整复刻跟随式机械臂的典型操作动作链路，为关节控制算法训练提供精准的动作-状态映射关系。观测数据除结构化参数外，还配套顶部、背部双视角采集的视频数据，视频分辨率为480x640、帧率30fps，采用高压缩率的AV1编码，在保留视觉特征清晰度的同时降低了存储负载，双视角的设计可同时覆盖机械臂操作的全局环境与局部执行状态，完美适配视觉伺服模型的训练需求。
为降低研发团队的数据预处理成本，该数据集还同步提供时间戳、帧索引、episode索引、任务索引等完备元数据，支持研发人员快速完成时序数据对齐、样本筛选等工作。目前数据集共包含4个episodes、5016帧数据，对应1个专项任务，采用parquet结构化文件+MP4视频文件的分离存储架构，方便不同研发场景按需调用，总结构化数据大小约为100MB，视频文件大小约为200MB，轻量化的特性尤其适合小规模算法验证、快速迭代测试场景，适配的机器人类型为so_follower，除同类型机械臂控制模型训练外，也可迁移至参数相近的其他机械臂研发场景。
从应用场景来看，在机器人关节控制领域，研发人员可基于该数据集的关节状态-动作对应关系，训练机械臂的轨迹规划、力控调节算法，提升复杂操作场景下的关节运动精度和稳定性；在视觉伺服训练领域，结合双视角视觉数据和对应的关节状态标签，研发团队可训练多模态伺服模型，实现基于视觉感知的自动动作调整，可支撑工业分拣、精密装配、协作机器人交互等场景的技术研发；此外该数据集也可作为机器人仿真到实机迁移的验证数据集，降低实机测试的时间与经济成本。
当前数据要素市场中，AI训练数据集正朝着垂直化、场景化方向快速发展，机器人专项数据集作为支撑人形机器人、工业服务机器人智能化的核心生产资料，其标准化、开源化的发展趋势，能够有效降低行业研发门槛，推动机器人控制技术的普惠性发展。本次发布的le-robot_levke数据集维度完整、标注清晰，填补了细分场景下轻量化机器人数据集的供给空白。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)