当前全球机器人产业正处于技术迭代与商业化落地的关键阶段，无论是工业机器人的柔性生产升级，还是服务机器人、人形机器人的通用化能力突破，都高度依赖高质量、多模态的标注训练数据支撑。而面向机器人控制场景的数据集长期存在供给不足、模态单一的痛点，制约了相关算法的迭代效率。近日，专业AI训练资源服务商Trainings正式上线由LeRobot创建的eval_doblar-trapo数据集，该数据集于2026年5月14日率先登陆HuggingFace平台，面向全球机器人领域研究者开放，核心聚焦机器人学任务研发，重点适配so_follower类型机器人的训练与测试需求。
据公开信息显示，eval_doblar-trapo数据集同时包含机器人动作数据与观察状态数据两类核心资源：动作维度覆盖肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹持器位置共6个浮点型关节位置参数；观察状态除了同步的关节位置数据外，还搭载了侧视、俯视双视角摄像头采集的RGB图像数据，分辨率为480x640、3通道，可满足多视角视觉感知训练的需求。除此之外，数据集还配套了时间戳、帧索引、剧集索引、索引和任务索引等元特征，方便研究者进行时序对齐与样本筛选。存储方面，结构化数据采用parquet文件格式存储，视频素材采用mp4格式存储，帧率统一为30fps，适配主流机器学习框架的读取要求。值得注意的是，当前公开版本的元数据中总剧集数、总帧数和总任务数显示为0，或为数据集尚未完成全量统计与填充所致，后续版本有望进一步完善相关信息。目前该数据集已明确可支持机器人控制、视觉导航和机器学习等多个方向的研究工作。
从应用场景来看，该数据集“运动参数+多视角视觉”的多模态结构，适配了当下机器人领域多个热门研究方向的需求：在机器人技能学习场景中，研究者可通过关节位置数据与对应视觉画面的关联标注，训练机械臂完成精细化抓取、物料搬运、部件组装等操作技能，降低工业机器人柔性作业的算法开发门槛；在视觉伺服控制场景中，双视角的同步视觉数据与运动参数的绑定，可支撑机器人动态追踪目标、实时调整姿态避障等算法的训练与测试，适用于智慧仓储分拣、服务机器人自主交互等场景的技术研发；此外，该数据集也可作为多模态机器人大模型的训练素材，助力端到端通用机器人控制模型的研发，推动机器人跨场景适配能力的提升。
作为机器人领域的专用数据集，eval_doblar-trapo的开放进一步丰富了机器人训练数据的供给体系，为相关研究提供了标准化的基准测试资源，对于完善数据要素在高端智能制造领域的应用场景、推动机器人产业技术创新具有重要的支撑作用。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)