当前人形机器人、工业协作机器人正处于技术落地的关键周期，模仿学习作为机器人复现人类精细化操作的核心技术路径，对高标注质量、场景匹配度高的动作训练数据集存在刚性需求，但此前行业内面向机械臂控制场景的开源数据集普遍存在标注维度不全、视角覆盖不足等问题，成为制约相关技术迭代的核心瓶颈之一。2026年5月12日，技术团队edmos7于全球最大的AI开源模型与数据集平台HuggingFace正式首发eval_ACT_retrieve专用数据集，该数据集由LeRobot创建，核心面向机器人任务研发场景开放。
本次发布的数据集共包含20个episodes，总计10547帧，覆盖1项机械臂操作任务，数据以parquet文件格式存储，并配套视频文件，总大小约200MB。数据集标注维度覆盖机器人控制核心需求：包含6维动作和状态向量，分别对应机械臂的肩部平移、肩部抬升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置；同时配套两个视角的图像观测数据，分别来自侧面和手腕摄像头，分辨率均为480x640，为3通道RGB视频，帧率达30fps；此外还包含时间戳、帧索引、episode索引、任务索引等完整元数据，本次采集所用机器人类型为so_follower，全量数据采集频率为30fps，可适配绝大多数主流机械臂控制算法的训练要求。
从应用方向来看，该数据集的多维度标注特性可支撑多个场景的研发需求：在工业场景中，可用于训练流水线上下料、精密零部件组装等场景的机械臂控制算法；在服务机器人领域，可为餐饮操作、物品分拣等精细动作的模仿学习提供训练样本；同时也可作为通用模仿学习算法的基准测试集，用于不同机器人控制模型的效果比对。作为AI领域的核心生产要素，专用场景数据集的开放是降低研发门槛、加速技术普惠的核心支撑，本次eval_ACT_retrieve数据集的发布，填补了机械臂控制场景小样本、高标注精度数据集的供给空白，相关研发团队无需从零开始搭建数据采集环境，可直接基于该数据集开展算法训练与验证，将有效缩短机器人控制技术的研发周期，推动模仿学习技术从实验室向商业化场景落地。目前该数据集适用于机器人控制、模仿学习等方向的研究工作。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)