随着具身智能成为全球AI领域的核心研发方向，真实场景下的机器人操作数据集短缺已经成为制约算法迭代的核心瓶颈之一。相较于仿真生成的合成数据，来自真实机器人运行的多模态匹配数据，能够大幅提升算法的泛化能力与落地适配性，是当前行业最稀缺的基础资源之一。
近期，开发者fbsh96正式发布了一款面向机器人物体交接场景的专用多模态数据集，编号为eval_so101_handover_act60eps_unoptimized_rerun_20260504_1ep，该数据集于2026年5月4日首发于全球最大的AI资源共享平台HuggingFace，为全球具身智能研发群体提供了新的细分场景数据选择。
据公开信息显示，本次发布的数据集是基于HuggingFace旗下具身智能开源开发框架LeRobot创建的真实机器人运行数据集，完整记录了机器人执行物体交接任务过程中的全维度运行数据。具体来看，数据集内容主要分为两大核心板块：一是机器人本体运动控制数据，包含各关节实时位置、运动参数、扭矩数据等核心指标，完整还原了机器人完成交接动作的全流程运动逻辑；二是环境与操作感知数据，覆盖机器人前置主摄像头、手部作业摄像头拍摄的全程图像与视频内容，搭配统一的时间戳、任务节点索引等标注信息，可实现运动数据与视觉数据的精准匹配。数据集采用大数据领域通用的parquet格式进行结构化存储，兼顾了数据读取效率与标注信息的完整性，方便研发人员快速调用、筛选与二次处理。
查看eval_so101_handover_act60eps_unoptimized_rerun_20260504_1ep完整数据集
作为垂直覆盖机器人交接任务的专用数据集，其潜在应用场景覆盖工业、服务业等多个具身智能落地方向：在研发层面，可用于机器人任务执行算法训练，研发人员可基于已标注的关节运动数据，优化机器人交接过程中的运动路径规划、力度控制逻辑，降低操作失误率与碰撞风险；也可用于多模态感知模型训练，结合多视角的图像、视频数据，提升机器人对被抓取物体的识别精度、对复杂环境的感知能力，优化非结构化场景下的任务适配性；此外还可支持仿真到真实场景的迁移验证，研发人员可将该数据集的真实操作数据与仿真环境生成的合成数据做对比校验，大幅提升算法落地的泛化能力。在落地层面，该数据集可支撑工业产线物料转运机器人、仓储分拣机器人、家庭服务递送机器人等多个品类的核心算法优化，推动相关产品的落地效率提升。
Dataset card内容：
Files and versions内容：
从行业价值来看，当前具身智能领域的公开数据集大多覆盖通用移动、抓取场景，针对交接这类高频细分任务的高质量数据集供给不足。本次发布的数据集填补了这一细分领域的供给缺口，为中小研发团队、学术机构降低了自有数据采集的成本门槛，对推动具身智能基础算法迭代、加速机器人产品在多场景的落地应用都具有积极的支撑作用。
_1769672084863.jpg)