随着具身智能产业进入快速落地期，机器人操作算法的训练对高质量实机采集数据集的需求持续攀升。作为支撑机器人抓取、任务控制等核心能力迭代的关键生产要素，标注完善、场景覆盖全面的机器人操作数据集，已成为产业界共同关注的稀缺资源。近日，RobotLearningProject正式对外发布so101_pickplace_merged_all_dagger数据集，该数据集由LeRobot创建，聚焦机器人抓取与任务控制技术研发需求，专为so_follower机器人的相关技术迭代设计。
本次发布的数据集包含多组完整任务情节、逐帧采集数据，覆盖动作指令、多模态观察结果（含机器人状态数据与现场图像）、时间戳、索引等核心特征，可满足端到端机器人控制模型的训练要求。数据采用parquet高效文件格式存储，同时配套原始视频文件，数据集的完整结构说明已收录在meta/info.json文件中，明确标注了各类特征的数据类型、形状、名称等具体信息，研发者可快速对接现有训练框架，降低数据预处理成本。
从应用价值来看，该多模态数据集可广泛适配多个机器人研发场景的典型需求：其一，可用于抓取路径规划算法训练，帮助机器人在不同物体形态、摆放角度下快速生成安全、高效的抓取动作；其二，可支撑多任务序列的机器人控制模型研发，为复杂场景下的连续作业任务提供标注完善的训练素材；其三，同步配套的图像、状态、时间戳对应数据，也可用于模拟环境到实机环境的算法迁移验证，降低实机测试的成本与风险。这类数据集的开放，也将为工业分拣、物流拆码垛、家庭服务机器人等下游场景的技术落地提供底层支撑。当前全球数据要素市场正加快向垂直领域渗透，具身智能领域的专项数据开放，不仅能够降低中小研发团队的训练数据采集成本，也将推动机器人操作领域的算法基准统一，加快全行业的技术迭代效率。
查看so101_pickplace_merged_all_dagger
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)