当前，服务机器人已成为人工智能落地的核心赛道之一，其中双臂操作机器人凭借更高的任务适配能力，成为家用、商用服务场景的重点研发方向。但由于真实场景下的操作数据采集成本高、标注难度大，场景化的高质量数据集始终是制约机器人学习算法迭代的核心瓶颈之一。2026年4月23日，开发者sandhyavs正式在全球知名AI开源社区HuggingFace上线全新数据集bimanual_table_clean_gripper_test，为双臂机器人桌面清洁场景的算法研发提供了开源数据支撑。
该数据集基于HuggingFace推出的机器人学习专用开源框架LeRobot创建，相比通用采集工具生成的数据集，其标注规范更符合机器人学习模型的训练要求，兼容性更强。数据集包含parquet格式的结构化标注文件、原始操作视频文件两大类数据资产，标注特征覆盖动作指令、状态与图像观察数据、时间戳、索引四大维度，全量数据集共包含2个完整操作场景片段，5861帧标注数据，聚焦单桌面清洁任务，采集帧率为30fps，完全匹配主流机器人视觉模型的输入要求。值得注意的是，该数据集采用Apache 2.0开源许可证，使用者可自由修改、分发数据集，也支持商业场景使用，大幅降低了科研团队、商业企业等不同主体的使用门槛。
从行业应用价值来看，该数据集聚焦双臂夹持器的桌面清洁操作场景，可覆盖多个研发方向的需求：其一可用于双臂服务机器人的夹持策略训练，基于真实场景下的操作标注数据，研发团队可快速优化不同物体的抓取力度、双臂协作路径，降低机器人在清洁操作中的碰撞、漏捡概率；其二可作为多模态机器人学习模型的训练素材，结合视觉图像、动作标注的同步数据，可支撑端到端操作模型的训练，减少算法在真实环境中的调试成本；其三还可作为机器人仿真到真实迁移（Sim2Real）的验证数据集，用于验证仿真环境中训练的算法在真实场景下的适配性，提升算法落地效率。不管是机器人领域的科研团队，还是商用、家用清洁机器人的研发厂商，都可基于该数据集加快相关算法的迭代速度，推动服务机器人的场景化落地进程。
查看bimanual_table_clean_gripper_test
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)