随着人形机器人、工业机械臂产业化进程加速，模仿学习作为机器人实现类人操作、快速适配复杂场景的核心技术路径，对高质量标注数据集的需求持续攀升。但当前行业内多数公开数据集以训练场景供给为主，专门用于验证模型在未知任务中泛化能力的垂直评估类数据集仍存在较大供给缺口，成为制约机器人控制算法迭代、性能统一评测的核心瓶颈之一。
edmos7本次发布的eval_ACT-Trajectory-v2_unseen0数据集，正是针对上述行业痛点推出的专项评估类数据集。该数据集采用HuggingFace开源机器人研究工具栈LeRobot创建，核心定位为评估ACT-Trajectory-v2模型在未见过的任务上的性能表现，为机器人控制算法的跨场景适配能力测试提供统一数据基准。
从数据构成来看，该数据集共包含5个任务序列（episodes）、2521帧有效数据，结构化数据以行业通用的parquet文件格式存储，总大小为100MB，配套视频文件总大小为200MB，采样帧率为30fps，可满足时序性动作控制的评测需求。数据特征覆盖6维动作与状态参数，分别对应机械臂的肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置，可完整还原机械臂全关节的运动状态；同时配套侧面、手腕、轨迹三个视角的视频图像，每段视频分辨率为480x640、3通道，采用高压缩比的av1编码，兼顾画质清晰度与存储读取效率。多视角数据的搭配，既可以观测机械臂整体运动轨迹的合规性，也可以捕捉末端执行器的操作细节，为模型性能的多维度评测提供支撑。此外，数据集还包含时间戳、帧索引、episode索引、任务索引等全链路元数据，方便开发者完成时序对齐、任务分块测试等定制化评测需求，可广泛适配各类机器人控制和模仿学习任务的评估工作。
查看eval_ACT-Trajectory-v2_unseen0
从应用价值来看，该数据集的落地可覆盖多个核心场景：其一可用于ACT-Trajectory-v2系列模型的跨任务泛化性能测试，验证模型在未训练任务中的动作输出精度与任务完成率；其二可作为行业通用基准数据集，为不同厂商、不同架构的机器人模仿学习算法提供统一的性能比对标准，降低行业内的评测沟通成本；其三在工业制造场景中，还可辅助机械臂分拣、装配、搬运等场景的控制模型调试，帮助厂商优化机械臂在新生产任务中的适配效率，缩短产线换型的调试周期。
作为机器人领域垂直细分的专用评估数据集，本次产品的发布也进一步丰富了国内机器人领域的高质量数据集供给，为人工智能机器人技术研发、产业落地提供了有效的数据支撑，也对推动机器人模仿学习领域标准化评测体系的建设具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)