近年具身智能成为AI技术落地的核心赛道之一，但训练机器人控制、视觉感知模型往往需要同步采集的机械运动参数与视觉观测数据，这类标注完善的专用数据集长期存在供给缺口，尤其是面向通用机械臂开发的轻量化数据集，能够大幅降低中小开发者、初创团队的训练数据采集成本。近日，AI开发者Naomiihao正式发布机器人专用数据集banana_blue_bowl_3，该数据集首发上线HuggingFace平台，聚焦机器人操作场景，基于HuggingFace开源具身智能工具链LeRobot构建，数据采集流程符合行业通用标准，标注一致性得到保障。
本次发布的banana_blue_bowl_3数据集包含5个完整任务序列（episodes），共1358帧同步采集数据，配套30fps的高清视频数据，可实现运动参数与视觉帧的时间完全对齐，避免多模态训练中的时序偏差问题。数据集结构覆盖机器人感知-决策-执行全链路训练所需的核心特征：包括机器人的动作信息（涵盖shoulder_pan.pos等6个关节位置参数，对应机器人控制指令侧标注）、观测状态（同步采集的6个关节实时位置，对应机器人执行端反馈数据）、前端1080x1920分辨率RGB视频数据（对应环境视觉观测输入）三大核心模块。存储方面，结构化标注数据采用通用parquet格式存储，总数据量约100MB，配套视频数据约200MB，轻量化的存储设计适配本地调试、云端微调等多种开发环境，方便开发者快速下载接入。
从数据特征来看，banana_blue_bowl_3可广泛应用于多个具身智能研发场景：在机器人控制领域，可用于机械臂关节控制算法训练、运动轨迹规划模型验证，提升机械臂操作的精度与稳定性；在视觉感知领域，可用于目标检测、姿态估计、场景理解等模型的微调，强化机器人对操作对象、周边环境的识别能力；此外该数据集也可用于具身多模态大模型的小样本训练、Sim2Real（仿真到现实）迁移效果验证等研发环节。随着全球数据要素市场的不断完善，垂直领域的高质量专用数据集正在成为AI技术落地的核心基础设施，本次发布的banana_blue_bowl_3填补了轻量化机器人操作数据集的供给空白，能够为中小开发者、科研团队降低具身智能研发的门槛，推动机器人控制、视觉感知相关技术的落地迭代。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)