近年来，随着通用人形机器人、工业协作机械臂赛道的快速发展，机器人学习算法的迭代对场景化、标注完备的高质量数据集需求持续攀升。作为机器人操作领域的核心技术方向，物体抓取、关节控制相关算法的训练与验证，往往需要同步匹配机器人本体状态、视觉感知输入、动作输出指令的全链路标注数据，而行业内面向细分场景的开源标准化数据集供给仍存在较大缺口，大量研发团队需要自行投入成本完成场景数据采集与标注，拉高了技术研发的门槛。
2026年5月10日，robot-learning-group47正式上线的eval1_blue_bowl15_new数据集，正是针对上述场景需求推出的专项训练数据集。该数据集由LeRobot创建，整体定位为机器人学习领域的基础训练资源，包含15个完整任务序列（episodes），总帧数达6750帧，采样帧率为30fps，其中结构化数据文件大小为100MB，配套视频文件大小为200MB，整体数据体量轻量化的同时标注维度完备，适合中小规模算法训练与验证场景使用。
从标注维度来看，该数据集的特征覆盖了机器人操作全链路的核心数据维度：既包含机器人执行端的6个关节位置动作数据，也包含机器人实时感知的6个关节位置状态数据，同时匹配了分辨率为480x640的三通道前端视觉图像，以及时间戳、帧索引、任务序列索引等结构化标注字段，可完整支撑端到端机器人学习模型的训练需求。此外，该数据集采用apache-2.0开源许可证，支持商业与非商业场景的免费使用，可进一步降低不同规模研发团队的数据集获取成本。
从潜在应用场景来看，该数据集可广泛应用于多个机器人研发方向：可作为6自由度机械臂运动控制算法的训练数据集，降低实体机器人训练的试错成本；可用于蓝色碗类民用、工业常见容器的抓取姿态优化算法验证，提升机器人抓取操作的成功率与泛化性；也可作为多模态机器人学习模型的小样本测试基准，验证模型从视觉输入到动作输出的推理准确性。该类细分场景开源数据集的开放，也将为行业提供统一的算法效果评测基准，减少重复标注资源浪费，推动机器人操作领域的技术标准化进程。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)