当前，具身智能正成为全球AI产业落地的核心赛道之一，而高质量、标准化的实机训练数据集，是制约机器人抓取、运动控制等核心技术迭代的关键瓶颈——相较于仿真数据集，真实环境下采集的多模态机器人操作数据，能够更好适配物理世界的误差、光照变化、物体材质差异等变量，大幅提升算法的泛化性与落地可行性。近日，开发者J-minsoo在全球最大的AI开源共享平台HuggingFace首发专项数据集pick_place_block_position3，为相关领域研发提供了新的开源数据选择。
该数据集由开源机器人项目LeRobot创建，LeRobot作为HuggingFace推出的具身智能专项项目，长期致力于统一机器人数据、模型的开发标准，降低行业研发门槛，其产出的数据集已被全球数千家科研机构、科技企业用于具身智能算法训练与验证。
本次发布的pick_place_block_position3数据集聚焦机器人方块抓取放置单一任务，共包含10个完整操作episode，累计采集5943帧有效数据，帧率为30fps；其中结构化数据采用行业通用的parquet格式存储，文件大小为100MB，配套的多视角视频素材总大小为500MB，方便不同研发需求的团队按需调用。数据集覆盖多维度核心特征，既包含机器人关节位置、实时运行状态等结构化运动参数，也同步搭载了手腕摄像头、顶部固定摄像头采集的全视角视觉数据，能够满足端到端多模态算法的训练需求。
从应用方向来看，该数据集可广泛支撑机器人抓取放置、位置控制两大领域的技术研发：在抓取放置方向，可用于工业场景的物料分拣、3C产品组装，服务机器人的家居物品整理、快递分拣等场景的算法训练，验证不同位姿、不同摆放角度下的抓取成功率；在位置控制方向，可用于机械臂轨迹规划、动态避障、力控适配等技术的研发与验证，也可作为Sim2Real（仿真到实机迁移）研究的标准验证集，帮助研发人员优化算法在真实环境下的适配能力。此外，该数据集还可为小样本抓取、多任务迁移学习等前沿研究提供基础数据支撑。
在数据要素成为AI产业核心生产力的当下，垂直领域优质开源数据集的开放，是降低行业研发成本、加速技术迭代的重要基础。本次pick_place_block_position3数据集的发布，既填补了机器人方块抓取场景标准化多模态数据集的供给缺口，也为相关领域算法效果评估提供了统一的基准参考，将进一步推动具身智能核心技术的落地普及。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)