当前，工业机械臂、人形机器人等赛道正处于技术迭代的关键期，高精度、场景化的标注训练数据是支撑运动控制算法研发的核心基础，而公开领域针对机器人轨迹评估、操作模仿场景的专用多模态数据集供给长期不足，成为制约中小研发团队技术创新的核心门槛之一。
近日，科技厂商edmos7正式对外发布eval_ACT-Trajectory-v2_chain专用数据集，该产品于2026年5月11日首发于全球知名AI开源社区HuggingFace，是专门面向机器人学任务、用于评估ACT-Trajectory-v2链的专属数据集，可广泛应用于机器人轨迹评估、机械臂操作模仿两大核心研发场景。
据公开信息显示，该数据集数据采集自so_follower类型机器人，单episode包含510帧完整采样数据，覆盖三类核心数据维度：一是机器人动作真值数据，为6维浮点数格式，对应肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置六大关节的运动参数，可为运动控制算法提供精准的标注参考；二是观测状态数据，同步收录6维关节位置的实时观测值，可用于算法输出结果的偏差校验；三是多视角视觉观测数据，包含侧视、腕部视和轨迹视三个视角的同步视频流，单视频分辨率为480x640、3通道、帧率30fps，覆盖全局运动轨迹、末端执行器作业细节、路径全过程三类观测维度，能够满足视觉伺服、轨迹规划等不同类型算法的输入需求。此外，数据集还同步收录了时间戳、帧索引、episode索引、任务索引等辅助字段，方便研发人员做数据清洗与切片处理。
存储层面，该数据集结构化内容采用大数据领域通用的Parquet列式存储格式，兼容性强、读取效率高，总数据文件大小为100MB，配套视频文件大小为200MB，研发人员可快速加载使用，大幅降低数据预处理成本。
从应用场景来看，该数据集首先可直接用于机器人轨迹评估场景：研发人员可将自研轨迹规划算法的输出结果与数据集提供的实采真值做对比，快速校验算法的轨迹精度、平滑度、响应时延等核心指标，加快算法迭代效率；其次可支撑机械臂操作模仿领域的研发：数据集的多模态联动数据可作为模仿学习的训练样本，让机械臂快速学习示范动作的运动逻辑，大幅降低强化学习的训练成本，加快分拣、装配等工业操作技能的落地。除此之外，该数据集也可拓展应用于人形机器人上肢运动控制研发、协作机器人安全校验等场景的算法测试。
行业分析人士指出，机器人领域实采数据集的采集涉及硬件调试、多源数据同步、精准标注等多个环节，研发成本高、周期长，本次edmos7开放该专用数据集，进一步丰富了全球机器人领域的公开数据供给，为中小研发团队降低了数据采集门槛，对推动机器人运动控制技术的普惠创新、加快数据要素在智能制造领域的流转应用具有积极意义。
查看eval_ACT-Trajectory-v2_chain
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)