当前具身智能赛道正进入落地攻坚期，实机操作场景下的高质量标注训练数据，是制约机器人技能学习、模仿学习算法泛化性的核心瓶颈之一。相较于仿真生成数据，实机采集的多维度同步数据能够更好还原真实物理世界的摩擦、光照、物体形变等不确定因素，大幅提升训练后模型的落地适配性，也因此成为行业稀缺的核心数据要素资源。
近日，开发者jae0311正式上线全新机器人技术数据集serving_b2_20260514_190657，该数据集于2026年5月14日首发于HuggingFace平台，专为机器人技能学习、模仿学习场景打造，采用行业通用的LeRobot工具完成数据采集与结构化处理，采集载体为omx_follower型机器人。
据公开信息显示，该数据集完整覆盖机器人执行任务时的全链路动作与观测数据，核心数据维度包括三大类：其一为动作数据，完整记录机器人6个关节的实时位置，覆盖肩部平转、肩部抬升、肘部弯曲、手腕弯曲、手腕旋转、夹爪位置全链路执行参数；其二为观测状态数据，同步采集与动作维度对应的6个关节实时位置，可用于动作执行偏差校验；其三为观测视觉数据，包含顶部全局摄像头与手腕第一视角摄像头拍摄的480x640分辨率RGB视频，帧率达30fps，能够支撑视觉-动作联动的端到端模型训练。除此之外，数据集还同步配套时间戳、帧索引、回合索引、任务索引等全量元数据，方便研发人员快速调用对应片段。目前该数据集共包含50个完整任务回合、19405帧有效数据，所有数据均面向训练场景开放，结构化数据采用parquet格式存储，视频素材采用mp4格式存储，可直接接入主流AI训练框架。
从应用场景来看，该数据集可广泛用于六轴机械臂抓取、搬运等通用操作技能的模仿学习训练，也可支撑视觉定位、动作偏差校正、多模态感知融合等细分方向的算法研发，对于缺少实机采集环境的中小研发团队、高校实验室而言，可大幅降低具身智能算法的研发门槛，减少数据采集环节的时间与硬件成本。作为垂直领域的结构化训练数据集，该类资源的开放流通，也将进一步完善具身智能领域的数据要素供给体系，为机器人自主学习技术的落地迭代提供核心支撑。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)