在具身智能与工业机器人赛道快速发展的当下，高质量标注的实机运行数据集已经成为制约机器人控制算法迭代、场景落地的核心要素之一——不同于通用AI的大规模预训练数据，机器人抓取、运动规划类任务需要结合关节参数、多视角视觉、时间序列的同步标注数据，对采集的标准化、精度都有极高要求。近日，开发者J-minsoo正式发布的pick_place_block_position4数据集，正是面向这一赛道需求推出的专用训练数据集。
据了解，该数据集基于开源机器人学习框架LeRobot创建，LeRobot作为HuggingFace生态下专门面向机器人学习场景的工具库，在数据采集的时序同步、标注规范上已经形成行业通用标准，也让本次发布的数据集具备更强的通用性，可适配多数主流机器人控制模型的训练需求。本次公开的数据集共包含10个完整任务episodes，累计5793帧同步标注数据，覆盖7个关节位置参数、手腕与顶部双视角摄像头的图像观测数据、精确时间戳三大类核心特征，所有结构化数据采用parquet格式存储、视频素材采用mp4格式存储，兼顾了数据读取效率与可视化需求。
从应用方向来看，该数据集主要面向机器人抓取控制、运动规划两大核心场景，可支撑包括工业产线的异形工件分拣、仓储物流场景的码垛拆垛、协作机器人的动态避障抓取、服务机器人的家居物品摆放等多个细分场景的算法训练与效果验证；开发者可基于该数据集测试不同抓取姿态下的关节受力合理性、不同遮挡环境下的视觉识别准确率、动态路径规划的响应效率等核心指标，大幅降低实机数据采集的时间与成本投入。本次数据集的发布，也进一步丰富了开源机器人训练数据的供给，为具身智能技术从实验室走向落地场景提供了基础数据支撑，符合当前数据要素赋能实体经济、推动高端制造数字化转型的发展趋势。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)