当前，工业机器人尤其是协作机械臂正成为智能制造、柔性生产、物流分拣等场景的核心生产力，而机械臂的轨迹规划精度、复杂场景下的拾取放置稳定性，是决定机器人落地效果的核心指标。随着动作模仿学习（ACT）等AI技术在机器人控制领域的广泛应用，高质量、多维度的标注观测数据集已成为行业研发的刚需基础设施。
2026年5月5日，科技机构edmos7正式首发由LeRobot创建的eval_ACT-Trajectory-PickPlace_v0_01机器人领域数据集，该数据集同步上线HuggingFace平台，面向全球研发团队开放使用。
据公开信息显示，该数据集共包含3个episodes、1046帧有效标注数据，完整记录了机械臂完成拾取放置操作的全流程动作与观测状态。其中结构化观测数据覆盖机械臂全部核心关节的实时位置信息，包含shoulder_pan（肩pan关节）、shoulder_lift（肩抬升关节）、elbow_flex（肘弯曲关节）、wrist_flex（腕弯曲关节）、wrist_roll（腕旋转关节）以及gripper（夹爪）的动态参数；非结构化数据则同步采集了侧视、腕部、轨迹三个视角的480x640分辨率RGB图像视频，完整还原操作过程中的视觉环境信息。存储层面，结构化数据采用高效的parquet格式存储，视频文件采用AV1编码，帧率为30fps，数据集总大小约300MB，其中结构化数据文件100MB，视频文件200MB，方便研发团队快速下载、加载调用。
从应用方向来看，该数据集可广泛应用于机器人领域多个研发场景：一是可作为机械臂轨迹控制算法的基准验证集，尤其适配动作模仿学习（ACT）类模型的泛化性、准确率测试，帮助研发团队快速迭代轨迹规划算法；二是可为工业柔性生产场景的机器人落地提供数据支撑，覆盖3C电子元器件分拣、物流包裹拆码垛、食品加工柔性拾取等细分场景的算法预训练，降低企业自主采集标注数据的成本；三是可用于多模态机器人感知算法研发，结合关节姿态数据与多视角视觉数据，训练跨模态的环境感知模型，提升机械臂在复杂光照、物体遮挡等特殊场景下的操作稳定性。
作为机器人领域的细分场景开源数据集，本次发布的产品填补了拾取放置操作场景下多维度同步观测数据的供给空白，对降低机器人行业研发门槛、加速AI控制技术落地、完善机器人开源数据生态都具有积极意义。
查看eval_ACT-Trajectory-PickPlace_v0_01
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)