当前，农业数字化转型进入深水区，智慧农机、农业服务机器人成为降低农业生产人力成本、提升作业效率的核心抓手，而采摘场景因作物形态差异大、操作精度要求高，一直是农业机器人商业化落地的难点领域，高质量标注数据集的缺失，更是制约采摘机器人算法迭代的核心瓶颈之一。近日，开源数据集平台tomato-store正式上架由LeRobot创建的eval_smolvla_farm_harvest37数据集，该数据集于2026年5月7日首发于HuggingFace，专门面向农业采摘机器人的技术研发需求打造。
据公开信息显示，该数据集覆盖bi_so_follower类型机器人的全链路作业数据，包含三大核心维度：第一是机器人动作数据，覆盖左右肩、肘、腕、夹持器等核心执行部件的实时位置参数；第二是环境与状态观察数据，包含机器人运行状态参数，以及搭载的三个摄像头同步采集的视觉图像数据；第三是配套的时间戳与各类索引标签，可实现动作、视觉、状态三类数据的精准对齐。存储格式方面，结构化数据采用高效压缩的parquet格式存储，视频流数据采用通用mp4格式封装，采集帧率为20fps，全数据集共包含1项采摘作业任务、1个完整作业片段、总计1051帧对齐标注数据。
从应用价值来看，该数据集可广泛应用于两大核心研发场景：其一，机器人运动控制算法训练，研发人员可基于标注的关节位置、动作时序数据，优化采摘机器人的路径规划、力度控制算法，降低机械臂作业时的碰撞概率，提升采摘动作的流畅度与精准度；其二，机器视觉感知模型优化，依托多摄像头同步采集的田间图像数据，可训练果实识别、成熟度判定、障碍物检测等视觉模型，提升机器人在复杂田间环境下的环境感知能力。除此之外，该数据集也可为多模态具身智能大模型的微调、农业机器人算法的落地验证提供基础数据支撑。
作为聚焦农业采摘场景的细分机器人数据集，eval_smolvla_farm_harvest37的上架，进一步丰富了具身智能、农业机器人领域的开源数据供给，为中小研发团队降低了农业机器人的算法研发门槛，也为数据要素在智慧农业领域的落地应用提供了新的实践样本。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)