手把手玩转LET-Body-Dataset全身运控数据集从VR遥操作到真机复现【免费下载链接】LET-Body-DatasetLET全身运控数据基于VR套装与全身动捕遥操技术实现了机器人对操作员动作的实时重定向涵盖行走、下蹲、转腰及双足全向跟随等高拟人化全身运动控制全面满足全尺寸人形机器人在灵活作业空间内的拟人作业场景需求。项目地址: https://ai.gitcode.com/OpenLET/LET-Body-Dataset想让一台1.73米的全尺寸人形机器人像真人一样下蹲、转腰、补货LET-Body-Dataset正是为此而生的开源数据集——它基于VR套装与全身动捕遥操作技术把人类操作员的动作实时重定向到机器人身上并沉淀为可复用的真机轨迹数据。这篇文章会带你看懂数据里到底装了什么、怎么快速跑起来以及那些官方文档没说透的细节。先说人话这个数据集到底干了什么你可以把 LET-Body-Dataset 理解成一份人形机器人的运动录像带 操作说明书合集。采集端是一位戴着 VR 套装、穿着动捕设备的操作员他在超市货架前完成下蹲取货、转腰放置、双足侧移等动作数据端则把这份人类动作实时重定向到全尺寸人形机器人 Kuavo 5 上同时记录下机器人本体每个关节的响应。最终每一段轨迹都打包成一个.bag文件传感器原始流和一个.json文件场景标注放进仓库供你直接用于训练或仿真验证。一句话总结它的价值不用自己架动捕棚、不用反复调试重定向参数开箱就能拿到一批人类动作-机器人关节对齐的全身运控数据。先看看主角采集平台 Kuavo 5数据集背后站着乐聚的人形机器人 Kuavo 5含轮式版本它不只是采集工具也是这套数据最终要驱动的目标硬件。参数规格身高 / 体重1.73m / 65.5kg自由度41 DoF最大速度5 km/h导航方式双足自主 SLAM电池支持不停机热更换大模型接入盘古 / DeepSeek / ChatGPT 等41 个自由度意味着什么一般只有轮式底盘 双机械臂的小型机器人只有 10~20 DoF而 Kuavo 5 连腰部转动都是独立自由度。这也是为什么数据集里能同时出现行走、下蹲、弯腰、转腰、分拣这些需要全身协同的复合动作——每个动作背后都牵动几十个关节同步发力。数据里到底有什么五类核心信号一次讲清每个.bag文件本质上是一条按时间轴对齐的多模态数据流。把它解包后你会看到这样几路信号ROS Topic消息类型内容/cam_x/color/image_raw/compressedCompressedImageRGB 图像x 为 h/l/r头部 左右腕/cam_x/depth/image_rect_raw/compressedDepthCompressedImage深度图与 RGB 同视角/sensors_data_rawkuavo_msgs/sensorsData关节位置/速度/加速度/电流 IMU/control_robot_hand_positionrobotHandPosition灵巧手目标位置左右各 6 维/dexhand/stateJointState灵巧手实际状态12 个关节/leju_claw_commandlejuclawcommand夹爪控制命令位置/速度/电流/leju_claw_statelejuClawState夹爪状态反馈抓取成功与否几个值得留意的细节视觉不只有一个相机。头部 双腕三个视角RGB 与深度成对出现这对做模仿学习、行为克隆时对齐手在做什么非常有用。关节信号是富矿。/sensors_data_raw里不仅有位置和速度还有加速度和电流——电流数据可以直接反推力矩想做阻抗控制或动力学研究的人会很喜欢。手部有两种末端可切换。夹爪claw与灵巧手dexhand的消息结构不同训练前先确认自己手里的 bag 对应哪种末端。场景标注长什么样打开一个 JSON 看看.bag负责动.json负责名。仓库里每个 bag 旁边都躺着一个同名 JSON里面是这段数据的场景与动作标注。随手打开一个supermarket_replenishment的样本能看到这样的结构{ taskName: 商超上货5代人形, taskCode: TQ_19_01, deviceSn: P5-64, marks: [ { markStart: 2026-04-23 19:05:04.221, markEnd: 2026-04-23 19:05:20.321, duration: 16.1, startPosition: 0.11787473640975 } ] }这里的marks数组就是动作时间戳标注——它标出了这段轨迹里一个完整动作的起止时刻。你可以直接用markStart和markEnd做数据切片把一段长轨迹切成若干个原子技能片段。当前仓库里的任务分两种supermarket_replenishment超市补货涵盖取货、上架、整理supermarket_shelf_stocking货架 stocking 场景动作更密集每个任务目录各含 597 组 bag json合计近 1200 条轨迹。按 README 的规划后续还会扩充快递分拣Express_sorting、玩具抓取放置Toys_grab_place等更多场景。文件命名里藏着的信息别忽略目录和文件的命名不是随机的遵循任务名-机器人型号-末端类型的规范supermarket_replenishment-5W-leju_claw/ A10-A15-C-R-02-TQ_19_01-P5_64-leju_claw-20260423190500-53-b513f5-v003.bag拆开来看5W机器人型号leju_claw末端为乐聚夹爪如果是灵巧手就是dex_handTQ_19_01任务编码对应 JSON 里的taskCode20260423190500采集时间戳b513f5可能是版本或哈希标记训练脚本如果要按任务/末端/机器人分流直接解析文件名就行不用额外维护清单。本地跑起来从克隆到第一条轨迹1. 拉取仓库git clone https://gitcode.com/OpenLET/LET-Body-Dataset cd LET-Body-Dataset2. 用工具链做格式转换官方配套的kuavo_data_challenge工具链提供了 rosbag 转换、训练、部署的完整流程。ROS 环境就绪后先检查 bag 完整性rosbag check datasets/supermarket_replenishment-5W-leju_claw/xxx.bag想快速浏览某路 topic用rosbag info看整体概况rosbag info datasets/supermarket_replenishment-5W-leju_claw/xxx.bag3. 结合 JSON 做数据切片读入 JSON用marks里的起止时间把大 bag 切成单个动作片段再丢给训练脚本。这一步对做模仿学习尤其重要——一个片段对应一个技能单元切得越准训练标签越干净。环境要求参考类别建议配置操作系统Ubuntu 18.04/20.04ROS Melodic/NoeticPython3.6依赖库OpenCV 4.0、NumPy 1.18存储预留 50GB数据本体约 30GB内存16GB 起步解包大 bag 建议 32GB如果你只想先用 JSON 做标注分析那连 ROS 都不用装Python 读 JSON 就能跑只有真正要解析 bag 里的图像和关节流时才需要完整的 ROS 环境。高频疑问速答Q1没有 Kuavo 5 真机能用这个数据集吗可以。数据是通用的 ROSbag 格式关节位置/速度信号可以迁移到其他同构人形机器人或先用于仿真训练、策略预训练。Q2RGB 和深度图分辨率是多少由CompressedImage消息承载具体分辨率以 bag 内实际数据为准建议用rosbag info查看后按需解码。Q3夹爪和灵巧手的数据能混用吗不建议。两者消息结构不同抓取控制语义也不同训练时按末端类型分流更稳妥。Q4数据量多大怎么省空间两个任务各 597 组总量约 30GB。只想跑通流程先挑 2~3 个短片段即可marks里的duration字段能帮你筛出最短的那批。Q5动作只有行走和下蹲吗远不止。原子技能 20 且持续扩展下蹲、弯腰、转腰、双足全向移动、分拣、上架都属于全身协同动作。下一步可以这样玩拿到数据后建议按这个顺序探索先读 JSON挑出 3~5 段短轨迹理解marks时间戳的分布规律再解 bag用rosbag info确认 topics可视化一帧 RGB 深度然后做切片把长轨迹切成原子技能配好训练标签最后进工具链走一遍kuavo_data_challenge的转换到部署流程对数据内容有疑问可以去官方交流群QQ1043359345里找同好想反馈新任务场景或参与标注规范讨论也欢迎在仓库 issue 区聊聊。希望这篇攻略能帮你省下几个晚上的踩坑时间——下一步试试把你手头的场景跑成第一条训练轨迹吧。【免费下载链接】LET-Body-DatasetLET全身运控数据基于VR套装与全身动捕遥操技术实现了机器人对操作员动作的实时重定向涵盖行走、下蹲、转腰及双足全向跟随等高拟人化全身运动控制全面满足全尺寸人形机器人在灵活作业空间内的拟人作业场景需求。项目地址: https://ai.gitcode.com/OpenLET/LET-Body-Dataset创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 手把手玩转LET-Body-Dataset全身运控数据集：从VR遥操作到真机复现
手把手玩转LET-Body-Dataset全身运控数据集从VR遥操作到真机复现【免费下载链接】LET-Body-DatasetLET全身运控数据基于VR套装与全身动捕遥操技术实现了机器人对操作员动作的实时重定向涵盖行走、下蹲、转腰及双足全向跟随等高拟人化全身运动控制全面满足全尺寸人形机器人在灵活作业空间内的拟人作业场景需求。项目地址: https://ai.gitcode.com/OpenLET/LET-Body-Dataset想让一台1.73米的全尺寸人形机器人像真人一样下蹲、转腰、补货LET-Body-Dataset正是为此而生的开源数据集——它基于VR套装与全身动捕遥操作技术把人类操作员的动作实时重定向到机器人身上并沉淀为可复用的真机轨迹数据。这篇文章会带你看懂数据里到底装了什么、怎么快速跑起来以及那些官方文档没说透的细节。先说人话这个数据集到底干了什么你可以把 LET-Body-Dataset 理解成一份人形机器人的运动录像带 操作说明书合集。采集端是一位戴着 VR 套装、穿着动捕设备的操作员他在超市货架前完成下蹲取货、转腰放置、双足侧移等动作数据端则把这份人类动作实时重定向到全尺寸人形机器人 Kuavo 5 上同时记录下机器人本体每个关节的响应。最终每一段轨迹都打包成一个.bag文件传感器原始流和一个.json文件场景标注放进仓库供你直接用于训练或仿真验证。一句话总结它的价值不用自己架动捕棚、不用反复调试重定向参数开箱就能拿到一批人类动作-机器人关节对齐的全身运控数据。先看看主角采集平台 Kuavo 5数据集背后站着乐聚的人形机器人 Kuavo 5含轮式版本它不只是采集工具也是这套数据最终要驱动的目标硬件。参数规格身高 / 体重1.73m / 65.5kg自由度41 DoF最大速度5 km/h导航方式双足自主 SLAM电池支持不停机热更换大模型接入盘古 / DeepSeek / ChatGPT 等41 个自由度意味着什么一般只有轮式底盘 双机械臂的小型机器人只有 10~20 DoF而 Kuavo 5 连腰部转动都是独立自由度。这也是为什么数据集里能同时出现行走、下蹲、弯腰、转腰、分拣这些需要全身协同的复合动作——每个动作背后都牵动几十个关节同步发力。数据里到底有什么五类核心信号一次讲清每个.bag文件本质上是一条按时间轴对齐的多模态数据流。把它解包后你会看到这样几路信号ROS Topic消息类型内容/cam_x/color/image_raw/compressedCompressedImageRGB 图像x 为 h/l/r头部 左右腕/cam_x/depth/image_rect_raw/compressedDepthCompressedImage深度图与 RGB 同视角/sensors_data_rawkuavo_msgs/sensorsData关节位置/速度/加速度/电流 IMU/control_robot_hand_positionrobotHandPosition灵巧手目标位置左右各 6 维/dexhand/stateJointState灵巧手实际状态12 个关节/leju_claw_commandlejuclawcommand夹爪控制命令位置/速度/电流/leju_claw_statelejuClawState夹爪状态反馈抓取成功与否几个值得留意的细节视觉不只有一个相机。头部 双腕三个视角RGB 与深度成对出现这对做模仿学习、行为克隆时对齐手在做什么非常有用。关节信号是富矿。/sensors_data_raw里不仅有位置和速度还有加速度和电流——电流数据可以直接反推力矩想做阻抗控制或动力学研究的人会很喜欢。手部有两种末端可切换。夹爪claw与灵巧手dexhand的消息结构不同训练前先确认自己手里的 bag 对应哪种末端。场景标注长什么样打开一个 JSON 看看.bag负责动.json负责名。仓库里每个 bag 旁边都躺着一个同名 JSON里面是这段数据的场景与动作标注。随手打开一个supermarket_replenishment的样本能看到这样的结构{ taskName: 商超上货5代人形, taskCode: TQ_19_01, deviceSn: P5-64, marks: [ { markStart: 2026-04-23 19:05:04.221, markEnd: 2026-04-23 19:05:20.321, duration: 16.1, startPosition: 0.11787473640975 } ] }这里的marks数组就是动作时间戳标注——它标出了这段轨迹里一个完整动作的起止时刻。你可以直接用markStart和markEnd做数据切片把一段长轨迹切成若干个原子技能片段。当前仓库里的任务分两种supermarket_replenishment超市补货涵盖取货、上架、整理supermarket_shelf_stocking货架 stocking 场景动作更密集每个任务目录各含 597 组 bag json合计近 1200 条轨迹。按 README 的规划后续还会扩充快递分拣Express_sorting、玩具抓取放置Toys_grab_place等更多场景。文件命名里藏着的信息别忽略目录和文件的命名不是随机的遵循任务名-机器人型号-末端类型的规范supermarket_replenishment-5W-leju_claw/ A10-A15-C-R-02-TQ_19_01-P5_64-leju_claw-20260423190500-53-b513f5-v003.bag拆开来看5W机器人型号leju_claw末端为乐聚夹爪如果是灵巧手就是dex_handTQ_19_01任务编码对应 JSON 里的taskCode20260423190500采集时间戳b513f5可能是版本或哈希标记训练脚本如果要按任务/末端/机器人分流直接解析文件名就行不用额外维护清单。本地跑起来从克隆到第一条轨迹1. 拉取仓库git clone https://gitcode.com/OpenLET/LET-Body-Dataset cd LET-Body-Dataset2. 用工具链做格式转换官方配套的kuavo_data_challenge工具链提供了 rosbag 转换、训练、部署的完整流程。ROS 环境就绪后先检查 bag 完整性rosbag check datasets/supermarket_replenishment-5W-leju_claw/xxx.bag想快速浏览某路 topic用rosbag info看整体概况rosbag info datasets/supermarket_replenishment-5W-leju_claw/xxx.bag3. 结合 JSON 做数据切片读入 JSON用marks里的起止时间把大 bag 切成单个动作片段再丢给训练脚本。这一步对做模仿学习尤其重要——一个片段对应一个技能单元切得越准训练标签越干净。环境要求参考类别建议配置操作系统Ubuntu 18.04/20.04ROS Melodic/NoeticPython3.6依赖库OpenCV 4.0、NumPy 1.18存储预留 50GB数据本体约 30GB内存16GB 起步解包大 bag 建议 32GB如果你只想先用 JSON 做标注分析那连 ROS 都不用装Python 读 JSON 就能跑只有真正要解析 bag 里的图像和关节流时才需要完整的 ROS 环境。高频疑问速答Q1没有 Kuavo 5 真机能用这个数据集吗可以。数据是通用的 ROSbag 格式关节位置/速度信号可以迁移到其他同构人形机器人或先用于仿真训练、策略预训练。Q2RGB 和深度图分辨率是多少由CompressedImage消息承载具体分辨率以 bag 内实际数据为准建议用rosbag info查看后按需解码。Q3夹爪和灵巧手的数据能混用吗不建议。两者消息结构不同抓取控制语义也不同训练时按末端类型分流更稳妥。Q4数据量多大怎么省空间两个任务各 597 组总量约 30GB。只想跑通流程先挑 2~3 个短片段即可marks里的duration字段能帮你筛出最短的那批。Q5动作只有行走和下蹲吗远不止。原子技能 20 且持续扩展下蹲、弯腰、转腰、双足全向移动、分拣、上架都属于全身协同动作。下一步可以这样玩拿到数据后建议按这个顺序探索先读 JSON挑出 3~5 段短轨迹理解marks时间戳的分布规律再解 bag用rosbag info确认 topics可视化一帧 RGB 深度然后做切片把长轨迹切成原子技能配好训练标签最后进工具链走一遍kuavo_data_challenge的转换到部署流程对数据内容有疑问可以去官方交流群QQ1043359345里找同好想反馈新任务场景或参与标注规范讨论也欢迎在仓库 issue 区聊聊。希望这篇攻略能帮你省下几个晚上的踩坑时间——下一步试试把你手头的场景跑成第一条训练轨迹吧。【免费下载链接】LET-Body-DatasetLET全身运控数据基于VR套装与全身动捕遥操技术实现了机器人对操作员动作的实时重定向涵盖行走、下蹲、转腰及双足全向跟随等高拟人化全身运动控制全面满足全尺寸人形机器人在灵活作业空间内的拟人作业场景需求。项目地址: https://ai.gitcode.com/OpenLET/LET-Body-Dataset创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考