当前，具身智能与机器人研发正处于快速增长期，而高质量、标注完善的多模态专用数据集，是支撑机器人学习算法迭代的核心基础，尤其是涉及关节控制、轨迹规划、视觉感知融合的交叉领域，长期存在数据采集成本高、标注标准不统一、开源优质供给不足的痛点，制约了中小研发团队的技术落地效率。
2026年5月11日，数据研发方edmos7正式发布机器人领域专用数据集eval_ACT-Trajectory-v2_unseen，为行业提供了标准化的轨迹学习训练数据来源。据介绍，该数据集基于LeRobot框架创建，专门面向机器人控制与轨迹学习场景设计，共包含5个完整任务episodes，累计2827帧标注数据，整体采用parquet格式存储结构化数据，同时配套原始视频文件，方便研究人员灵活调用。
从数据结构来看，该数据集覆盖了机器人学习所需的多维度核心特征：首先是6维浮点格式的动作数据，对应机器人肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置共6个核心关节的位置参数，可直接用于关节控制算法的训练标注；其次是与动作结构对应的6维观测状态数据，可支撑算法预测结果与实际运行状态的比对验证；同时配套了侧视图像、腕部图像、轨迹图像三类视频观测数据，分辨率为480x640、帧率30fps，采用AV1编解码器存储，在保证画质的前提下大幅降低了数据体积，方便研究团队快速下载调用；此外数据集还配套了时间戳、帧索引、episode索引、任务索引等完整元数据，省去了研究人员自行做数据结构化处理的成本。
从应用方向来看，该数据集可广泛应用于多个机器人研发场景：比如工业协作机器人的物品拾取、搬运动作模仿训练，服务机器人的室内移动轨迹规划算法验证，人形机器人的上肢精细动作学习，以及多模态视觉控制算法的泛化性测试等，能够有效降低相关研发团队的原始数据采集与标注成本，加快算法迭代效率。作为机器人学习领域的开源数据供给成果，该数据集的发布也进一步丰富了具身智能领域的开源数据要素池，对于推动机器人学习领域的技术普惠、统一行业训练数据标准具有积极意义。
查看eval_ACT-Trajectory-v2_unseen
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)