近年来，随着人形机器人、工业协作机器人赛道的商业化进程加速，AI驱动的智能控制算法对真实场景下的多模态训练数据需求持续攀升，而具备同步动作标注、视觉采集、时序元数据的实操类数据集，始终是制约机器人控制技术落地的核心稀缺资源。2026年5月6日，Naomiihao正式对外发布机器人领域专用数据集banana_red_bowl，该数据集由LeRobot创建，本次首发上线于全球知名AI开源社区HuggingFace，面向全球研发人员开放使用。
据公开信息显示，本次发布的banana_red_bowl数据集共包含3个任务序列（episodes）、3552帧有效标注数据，对应1项典型机器人操作任务。数据集结构化内容采用标准化parquet格式存储，可直接接入主流AI训练框架，配套视觉内容采用mp4格式封装，大幅降低研发团队的数据预处理成本。数据集核心特征覆盖四大类，可满足机器人控制算法多维度训练需求：1) 动作信息：完整标注6个核心关节位置，涵盖肩部旋转、肩部抬升、肘部弯曲、腕部弯曲、腕部旋转、夹爪位置全运动链路参数；2) 观测状态：同步采集机器人侧的6个关节实时反馈位置，可用于控制算法的闭环效果验证；3) 前视图像：配套分辨率为480x640、帧率30fps的彩色视频流，参数匹配当前主流服务机器人、工业机械臂的前置视觉传感器配置，无需额外做分辨率适配即可投入训练；4) 时间戳、帧索引、episode索引等全链路元数据，可支撑时序类控制算法的训练与调试。
从行业应用来看，该数据集可广泛应用于机器人操作控制、视觉伺服系统两大核心研发领域。在机器人操作控制方向，研发人员可基于标注的关节动作序列，训练六自由度机械臂的抓取、放置类任务算法，优化日常物品、异形工件的抓取姿态，相关成果可落地于工业分拣、家庭服务、仓储物流等场景的机器人研发；在视觉伺服系统方向，同步对齐的视觉数据与关节位置数据，可支撑基于视觉反馈的闭环控制算法训练，帮助机器人实现无需预设运动路径、根据实时视觉输入动态调整关节姿态的能力，适配动态流水线作业、移动场景抓取、实时避障等复杂应用需求。作为机器人垂直领域的高质量开放数据集，banana_red_bowl的上线也为全球中小研发团队降低了训练数据获取门槛，对推动机器人控制算法的开源创新、加快数据要素在智能机器人赛道的落地应用具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)