当前，人形机器人、工业协作机器人正处于技术迭代的关键爆发期，拾放操作作为机器人完成分拣、搬运、装配、物品整理等核心任务的基础能力，其模仿学习训练高度依赖真实场景下的高质量轨迹标注数据集。此前业内公开的同类数据集普遍存在场景覆盖窄、标注维度不全、采样精度不足等问题，大幅抬高了中小研发团队、科研机构的技术研发门槛。
近日，机器人技术研发主体edmos7正式对外发布pickplace_20_trajectory机器人学习数据集，该数据集率先在全球最大的AI开源社区HuggingFace上线，重点面向机器人拾放操作、模仿学习等前沿研究领域提供标准化数据支撑。
据官方披露信息显示，该数据集使用行业通用的LeRobot工具创建，专注于拾放（pickplace）典型场景的全流程数据采集，共包含20个完整的操作轨迹（episodes），总数据量达9012帧，采样频率为30帧每秒，可完整还原机器人拾放操作的全流程动作细节。从数据构成来看，该数据集覆盖了多维度的标注信息：既包含肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转、夹爪位置等全关节机器人动作参数，也同步采集了与动作参数对应的关节位置观察状态，同时配备了侧面、手腕双视角的RGB视频数据，视频分辨率达480x640，可支持多模态机器人感知算法的训练验证。所有数据采用parquet格式存储，结构化程度高，可直接适配主流的深度学习框架，其中结构化数据文件大小为100MB，配套视频文件大小为200MB，下载与调用门槛极低。
从典型应用方向来看，该数据集可广泛适配多个机器人研发场景：在工业制造领域，可用于训练工业分拣机器人、协作机器人的拾放操作模仿学习模型，提升复杂工况下的操作准确率与稳定性；在服务机器人领域，可支撑家庭服务机器人、商用配送机器人的物品搬运、货架整理等功能的算法迭代；在前沿研究领域，还可用于机器人小样本学习、多模态感知控制、通用机器人操作能力迁移等方向的研究验证。
业内分析指出，随着全球数据要素市场的快速发展，AI训练数据作为人工智能、机器人领域的核心生产要素，其开放共享程度直接决定了行业的创新迭代速度。本次edmos7开放的拾放轨迹数据集，进一步填补了细分场景下的高质量公开数据空白，有望降低相关领域的研发成本，推动机器人操作能力的普惠化发展。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)