近年随着具身智能、工业机器人赛道的快速落地，高质量实采训练数据已成为制约机器人控制算法迭代的核心瓶颈——尤其是同时覆盖机械臂运动状态、多视角视觉信息的对齐多模态数据集，往往需要研发团队投入大量成本搭建测试环境、完成数据采集与标注，抬高了中小团队的研发门槛。2026年5月3日，开发者edouardfoussier于全球知名AI开源社区HuggingFace首发so101_pick_red_ball机器人专用数据集，为机器人抓取控制、视觉伺服领域的研发提供了标准化的训练数据支撑。
据介绍，本次发布的so101_pick_red_ball数据集基于LeRobot框架构建，是聚焦机器人红球抓取场景的专用数据集，覆盖多维度核心训练字段：包含机械臂6个关节位置的动作数据、对应的6个关节位置观察状态数据，同时配套前视、腕部双视角的视频素材，视频分辨率为480x640、帧率达30fps，可完整还原抓取过程中的视觉变化与机械臂运动的对应关系。目前该数据集共包含50个完整抓取任务序列（episodes），总帧数达29410帧，对应单个抓取任务场景，其中结构化数据文件大小为100MB，配套视频文件大小为200MB，适配so_follower型机器人的控制算法训练。
从应用价值来看，该数据集可广泛应用于两大核心场景：其一在视觉伺服领域，研发人员可基于双视角视觉数据与关节状态的一一对应关系，训练机器人的视觉反馈控制算法，验证不同光照、目标摆放角度下的目标定位精度、动态跟踪能力，大幅减少实机调试的试错成本；其二在机器人抓取控制领域，该数据集的动作-观察对齐数据可用于端到端抓取策略的预训练，优化机械臂的运动路径规划能力、降低抓取过程中的碰撞概率，相关算法经过场景适配后，还可拓展到工业产线彩色物料分拣、服务机器人家用小物件拾取等多个场景的前期研发。
当前全球数据要素市场正朝着垂直细分方向快速发展，面向具身智能、工业机器人等新兴赛道的高质量数据集供给持续扩容，本次发布的so101_pick_red_ball数据集聚焦典型抓取场景，数据维度完整、采集标准统一，不仅降低了中小研发团队的数据集采集成本，也为不同控制算法的效果对标提供了统一的测试基准，对推动机器人控制领域的开源协作、加快具身智能技术落地有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)