随着人形机器人、工业协作机器人赛道进入爆发期，模仿学习、轨迹预测等AI训练范式已成为机器人运动控制算法落地的核心支撑，而覆盖多视角观测、高精度关节动作标注的专用数据集，长期是制约相关技术迭代的核心供给瓶颈。近日，科技机构edmos7正式对外发布eval_ACT-Trajectory-v2专用数据集，该数据集已于2026年5月11日率先登陆HuggingFace平台，面向全球科研团队、机器人企业开放使用。
据了解，本次发布的eval_ACT-Trajectory-v2数据集由LeRobot团队创建，是行业内为数不多专门针对so_follower类型机器人打造的技术研究数据集，可直接适配该类机器人的运动控制算法训练需求，降低细分领域研发团队的数据标注成本。
本次公开的数据集共包含12个完整任务episodes，累计覆盖5524帧标注数据，全量覆盖1类核心机器人操作任务；数据采用工业级通用的parquet格式存储，同时配套对应视频文件（MP4格式，帧率30fps），可直接对接主流AI训练框架，无需额外格式转换。从标注维度来看，数据集核心特征包含6维动作与状态向量，可直接对应机器人6个核心关节的位置参数：肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转、夹爪位置；同时配套侧面、手腕、轨迹三个不同视角的图像观测数据，单张图像分辨率为480x640像素、3通道，完全满足多模态机器人训练的多视角观测数据需求。
从应用维度来看，该数据集可广泛应用于多类机器人研发场景：在工业协作机器人领域，可用于分拣、搬运等动作的模仿学习训练，帮助机器人快速复现高精度的操作轨迹，提升产线适配效率；在服务机器人领域，可支撑避障、末端操作等动作的轨迹预测算法迭代，优化机器人在复杂场景下的运动流畅度；此外，也可为机器人运动控制算法的benchmark测试提供标准化的验证数据集，降低不同技术团队的成果比对成本，推进行业技术标准统一。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)