lance_lance数据和ros的mcap以及lerobot

lancedb

数据格式（Lance Format）和表格式（Table Format）
提升数据质量和模型训练-模型创新和数据洞察
数据底层架构

数据采集

ROS2的 .db3格式和MCAP格式。这些基于时间序列的流式数据格式虽然非常适合实时数据采集
主要面向流计算场景，难以支持高效的数据搜索查询和全局数据分布分析
RViz2
01.LanceDB的方案能够像MCAP格式一样高效地存储激光雷达点云、各类传感器数据流以及图像视频等多模态数据，同时保持了极高的数据保真度
02.visual and temporal debugger
目前欠缺-数据回放-数据可视化等功能 -rerun
可视化，可以使用 Foxglove或Rerun
https://foxglove.dev/

数据训练

lerobot
LeRobot 提供 LeRobot Dataset 类，可以从 Hugging Face Hub 无缝下载 机器人数据集，并将其作为 PyTorch 张量提供
HuggingFace 提供的官方示例，教你如何一行加载机器人数据集、查看图像 / 动作 / 任务、批量训练模型。
examples/dataset/load_lerobot_dataset.py
乐聚智能（深圳）股份有限公司
ROS2的优势在于与其他已经有现有代码的人合作，其他工程师可能已经对发生了什么有一些了解，
如果他们没有，文档也足够好，他们可以在短时间内达到熟练水平。

rosbag2 Lerobot

1.convert rosbag2 to Lerobot
数据-采集pipeline： rosbag2 recording
模型-训练pipeline： lerobot training

2.stage
1.数据提取：SQLite3或者MCAP格式
提取图像数据： reshape
提取关节数据： custome-Msg、radian/degree
时间戳： 消息的时间戳不是bag的时间戳 msg.header.stamp.sec msg.header.stamp.nannosec
2.时间同步：timestamp alignment
图像的帧率保持在30fps--抽帧
对齐多源时间戳：
最近邻时间
零阶保持模型 Zero-Order Hold-- 线性插值
3.数据集构建
方案一： custome 组装
方案二： 通过 features定义lerobt数据集
01.按统一的时间轴进行对齐后，
利用 LeRobot 提供的 infer_features 函数，让它自动从你的数据中推断出正确的 Features 定义
或者手动拼接feature
按照 LeRobot 的规范手动构建一个 features 字典
02. 创建数据集并定义图像特征
001.LeRobotDataset.create() 创建数据集。
在 features 参数中，你需要明确地定义哪些字段是图像，并指定其形状（高度、宽度、通道数
002.构造包含图像的数据帧 (Frame)
003. dataset: LeRobotDataset
dataset.add_frame(frame, task=instruction)
构造好的帧字典通过 add_frame 方法添加到数据集中

参考

https://github.com/rerun-io/rerun
https://gitee.com/leju-robot/kuavo-il-opensource/tree/master/kuavo/kuavo_1convert
如何优雅地将 ROS 2 数据对齐并转换为 LeRobot 格式 https://gitcode.csdn.net/69dbac5054b52172bc68fa30.html