当前，具身智能与工业机器人赛道正进入爆发式增长期，抓取、放置类操作作为机器人完成复杂任务的核心基础能力，其算法训练高度依赖标注完善、场景一致的高质量数据集，但此前行业内面向块状物体分拣入篮场景的标准化公开数据集供给相对不足，制约了相关算法的迭代效率。近日，开发者justintiensmith联合机器人开源项目LeRobot正式发布consistent-block-pick-and-place-into-basket-large专业数据集，面向机器人抓取操作、物体放置任务领域开放使用。
据公开信息显示，该数据集由LeRobot牵头创建，共包含160个完整任务序列（episodes）、83011帧标注数据，覆盖4类典型抓取放置任务，整体采用parquet格式存储，兼顾了大规模训练的读取效率与多特征兼容性。数据集的标注维度覆盖动作、观测状态、多视角图像三大类核心特征：其中动作与观测状态特征包含6组浮点型数据，精准对应机器人各关节的实时位置参数；图像特征同时覆盖手腕第一视角与全局第三人称视角的视频数据，分辨率达到480x640、3通道，采样帧率为25fps，可满足视觉伺服、多模态感知类算法的训练需求；除此之外，数据集还配套了完整的时间戳、帧索引、任务序列索引、任务类型索引等元数据，大幅降低了开发者的数据预处理成本。
从应用场景来看，该数据集的标准化场景设计、多维度标注体系，可支撑多个细分领域的算法研发：在工业制造场景，可用于训练工业机械臂的零部件分拣、物料转运、自动化装配等任务的操作算法；在物流仓储场景，可赋能拆码垛机器人、分拣机器人的块状货物入筐、订单拣选等功能的迭代；在具身智能与人形机器人领域，也可作为家庭场景下物品整理、杂物收纳类任务的基础训练数据，降低相关算法的冷启动成本。作为机器人操作领域的新增公开数据集资源，本次发布的数据集进一步丰富了具身智能赛道的训练数据供给体系，对降低中小团队的研发门槛、加速机器人操作类算法的通用化迭代具有重要价值，也为数据要素在智能制造、人工智能等前沿领域的落地应用提供了典型样本。
查看consistent-block-pick-and-place-into-basket-large
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)