随着具身智能与工业机器人领域的快速发展，高标注质量、覆盖真实交互场景的机器人操作数据集，已经成为制约操控算法落地的核心资源之一。不同于仿真生成的训练数据，真实机器人采集的时序状态与多模态传感数据，能够有效提升算法的场景泛化能力，降低sim2real（仿真到真实场景迁移）的适配成本。
近日，开发者bartek-niedzielski正式公开了panda_pick_and_place_40_delta_joint_pos数据集，该数据集于2026年5月15日首发于HuggingFace平台，专门针对Franka Emika Panda协作机器人的拾取放置这一高频应用场景打造，全部数据基于LeRobot框架采集生成，可直接适配主流机器人学习训练框架。
该数据集的结构化程度高，核心构成包含40组完整的拾取放置任务序列、总计11359个标注帧、对应82段实拍传感视频，采集帧率为15fps。标注特征维度覆盖全链路机器人操控需求：既包含观测状态字段（采用8维浮点数组，分别对应Panda机器人q1到q7共7个关节的实时位置参数、以及夹爪的开合状态），也包含对应执行动作的同结构标签字段，同时配套了时间戳、帧索引、任务序列索引等时序定位字段，方便开发者对任务执行全流程进行时序分析。除了关节状态数据外，数据集还同步提供两类视觉传感数据：分别是第三方固定视角拍摄的外部场景图像、机器人手腕端搭载相机拍摄的第一人称视角图像，两类视频分辨率均为480x640、3通道RGB格式，完整还原了任务执行过程中的环境感知输入。数据集整体采用parquet格式存储，在保证数据压缩效率的同时，可兼容主流大数据处理与AI训练框架，大幅降低开发者的数据解析成本。
从应用方向来看，该数据集可广泛应用于多个机器人研发场景：一是协作机器人末端控制算法训练，针对3C产线上下料、物流分拣、科研实验等高频拾取放置需求，真实采集的关节与视觉数据可有效提升算法的真实场景适配能力；二是具身智能多模态Agent训练，同步配套的视觉输入与关节动作标签，可支撑端到端具身模型的研发，实现从视觉感知直接输出操控指令的技术落地；三是机器人安全控制算法验证，精准的时序关节位置数据，可用于协作机器人人机共融场景下的碰撞检测、力控响应逻辑的验证优化；四是工业场景机器人动作路径优化，基于40组完整任务的时序数据，研发人员可对拾取放置动作的路径效率、能耗水平进行分析优化，提升产线机器人的运行效率。
当前全球数据要素市场正处于快速发展阶段，工业与科技领域的高价值垂直数据集是核心的流通资源之一，本次公开的机器人专用数据集，进一步丰富了HuggingFace平台的机器人学习资源矩阵，降低了中小研发团队、科研机构的高质量训练数据获取门槛，对推动机器人操作控制领域的技术迭代、加快拾取放置类应用的商业化落地具有积极意义。
查看panda_pick_and_place_40_delta_joint_pos
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)