OpenVLA (2) 机器人环境和环境数据

---

前言

按照笔者之前的行业经验, 数据集的整理是非常重要的, 因此笔者这里增加原文中出现的几个数据集和环境的学习

---

1 BridgeData V2

1.1 概述

skill 例如:抓取(pick), 放置(place), 推动(pushing), 清扫(sweeping), 堆叠(stacking), 折叠(folding)
trajectories 就是action集合:

其中数据集合结构图如下:

图像分辨率：640×480

1.2 硬件环境

BridgeData的整体环境如图:

其中所有的硬件(包括支架, 导轨,工件 等等)描述链接如下:
https://docs.google.com/document/d/1si-6cTElTWTgflwcZRPfgHU7-UwfCUkEztkH3ge5CGc/edit?pli=1&tab=t.0

该平台主要的内容:
一个固定视角(over-the-shoulder) 的RGBD（Intel D435），
一个固连在机器人腕部的RGB（custom Raspberry Pi），
两个可变视角RGB（Logitech C920），在数据采集过程中会被更改。

我们关心的机械臂和摄像头参数如下:

但是要注意的是openVLA没有用腕部摄像头(原因是方便 PK 其他工作), 因此只用了第三人视角的摄像头

2 数据集

2.1 场景与结构

可以看到数据集合总共有两种

类型	说明
Human demonstrations	人类通过遥操作（如鼠标/VR 手柄）控制机器人执行任务，系统记录图像、指令和动作
Scripted policies	开发者用 Python/控制代码编写一套“规则程序”，在给定场景中自动执行任务，比如：“如果检测到杯子在桌面中心，则移动 gripper 到目标点并下降”

数据结构如下图, 其中每个traj_group 都是相同场景,固定部分摆件,然后制造数据

再升一级目录,我们可以看到 相同的场景,不同的拍摄时间对应不同的 摆件,而不是控制部分不同的摆件

我们, 再进入raw 数据,可以看到bridge_data的场景结构

其中这里作者还为数据的正确性做了验证放了一张diagnostics.png 图片以显示当前 通过脚本给定数据的正确性.

名称	意义	数据来源
xpos	实际执行到的位置	通过机器人反馈采集，每一帧记录
despos	计划中的目标位置	来自控制策略（如 scripted policy）或人类操作输入

2.2 数据结构

每一组数据里都包含三个文件:

2.2.1 images0

images0 是用于ViT的一组图片, obj_dict 是场景信息

可以看出就是完成一个 trajetory的过程.

2.2.2 obs_dict.pkl

键名	含义
joint_effort	每个关节的施加力矩（关节力）
qpos	关节位置（Joint Position）
qvel	关节速度（Joint Velocity）
full_state	完整状态向量（包含位姿、关节等）
state	简化状态（可能是观测空间状态）
desired_state	控制器期望状态（即 despos 源）
time_stamp	每帧时间戳
eef_transform End-Effector	的变换矩阵（即 gripper 位姿）
high_bound / low_bound	状态空间上下界
env_done	当前帧是否终止（布尔）
t_get_obs	获取观测时耗（调试用）

其中
eef_transform代表的是 gripper 的六自由度位姿变换矩阵（通常是 4x4），可以从中提取出：
(1) 平移向量（x, y, z） 即我们要的 xpos
(2) 旋转矩阵 , 可进一步转为欧拉角（roll, pitch, yaw）

2.2.3 policy_out.pkl

索引	含义	示例值	说明
[0:3]	Δx, Δy, Δz	-0.012, 0.037, 0.004	空间位置变化向量（平移动作）
[3:6]	Δroll, Δpitch, Δyaw	0.0043, -0.0037, -0.8251	欧拉角空间的姿态微调（旋转动作）
[6]	gripper_open	1 or 0	夹爪开闭指令（1 表示张开，0 表示闭合）

我这条case 共计49组,这张图是记录了 xyz的运动轨迹

这张图分析了 爪子夹取东西的时间分布图.