Die Sammlung von LeRobot Datensätzen
Sie können den Hub für LeRobot-Datenstücke von HuggingFace durchsuchen: 181+ standardisierte Roboter-Datenstücke im Parquet+MP4-Format. ALOHA, DROID, PushT, xArm und mehr. Apache 2.0-Framework.
HuggingFace ist der standardisierte Hub von 181+ Roboterdaten-Sets, das dem ImageNet am nächsten kommt.
Apache 2.0 (Framework) Parquet + MP4 PyTorch Native
Schlüsselinformationen
| Metric | Value |
|---|---|
| Total datasets | 181+ (and growing) |
| Robots covered | ALOHA, xArm, WidowX, Franka, UR5e, Unitree G1, Reachy, Koch, SO-100, and dozens more |
| Format | Standardized Parquet (tabular) + MP4 (video), streaming-friendly |
| Framework license | Apache 2.0 |
| Individual dataset licenses | Varies (mostly Apache 2.0; check each dataset card) |
| Training support | ACT, Diffusion Policy, VQ-BeT, TD-MPC built in |
Was ist LeRobot?
LeRobot ist HuggingFace's Antwort auf das Problem der Fragmentierung in der Robotik. Vor LeRobot benutzte jedes Labor sein eigenes Format - HDF5, TFRecord, RLDS, rohen ROS-Taschen, benutzerdefinierte CSVs. Das Trainieren eines Modells auf Daten aus mehreren Quellen bedeutete, dass für jeden ein anderer Datenlader geschrieben wurde.
LeRobot standardisiert alles in ein einziges Schema: Parquettabellen für strukturierte Daten (gemeinsame Positionen, Aktionen, Zeitstempel, Episodegrenzen) und MP4-Dateien für Videobachtungen. Das bedeutet, dass Sie jeden Datensatz in der Sammlung mit den gleichen zwei Zeilen Code laden, streamen können, ohne den vollständigen Datensatz herunterzuladen, und direkt in die LeRobot-Training-Pipelines für ACT, Diffusion Policy oder VQ-BeT anschließen können.
Zu den wichtigsten Datenstückfamilien der Sammlung gehören:
- ALOHA-Suite: 20+ Varianten für Sim- und echte, zweimanschließende Manipulationen
- PushT: Der Benchmark der kanonischen Verbreitungspolitik (Status- und Bildvarianten)
- xArm: Aufhöhung und Schieben mit UFactory xArm
- RoboCasa: Küchenmanipulation in der Simulation
- DROID-Untersatz: 40M-Reihe Umwandlung des DROID-Real-World-Corpus
- Daten-Sets der Gemeinschaft: UTokyo, Columbia, Koch, SO-100, und viele mehr
Wie man sie verwendet
# Install LeRobot
pip install lerobot
# List all available datasets
python -m lerobot.scripts.list_datasets
# Load a dataset (streaming from HuggingFace)
from lerobot.common.datasets.lerobot_dataset import LeRobotDataset
dataset = LeRobotDataset("lerobot/aloha_sim_transfer_cube_human")
# Access observations and actions
print(dataset[0]) # First frame: observation.images, observation.state, action
# Train ACT on the dataset
python -m lerobot.scripts.train \
--dataset.repo_id=lerobot/aloha_sim_transfer_cube_human \
--policy=act