当前全球工业机器人正朝着柔性化、智能化方向快速迭代，视觉伺服抓取、精准运动控制作为协作机器人、工业机械臂的核心能力，其算法训练与性能验证高度依赖多模态、高标注质量的专用数据集，但长期以来，面向特定机型的细分场景数据集供给不足，已经成为制约机器人研发效率的核心瓶颈之一。2026年5月15日，机器人技术服务商aiki253在全球最大的AI模型与数据集社区HuggingFace首发eval_pick_place专用数据集，为so_follower类型机器人的操作控制、视觉抓取研发提供标准化数据支撑。
据了解，该数据集基于LeRobot框架创建，专门面向机器人技术领域研发需求设计，核心针对so_follower类型机器人的抓取作业场景完成数据采集与标注。数据集存储采用业界通用的标准化格式：结构化运动数据以Parquet文件存储，配套视频数据以MP4格式存储，采样帧率为30fps，全量数据包含多个采集序列（episodes）与对应帧数据，其中结构化数据文件总大小为100MB，视频文件总大小为200MB，整体采用chunk结构组织，每个chunk容量为1000条，便于研发人员按需调用。
从标注维度来看，eval_pick_place数据集覆盖了机器人抓取作业全流程的核心特征：核心标注项包含动作（action）与观察状态（observation.state）两大维度，两者均包含肩部平移、肩部提升、肘部弯曲、手腕弯曲、手腕旋转和夹爪位置共6个浮点型关节位置数据，可直接用于机器人运动控制算法的训练与校准；除此之外，观察特征还包含分辨率为480x640的前置摄像头RGB图像数据（observation.images.front），可支撑视觉伺服算法的端到端训练；配套元数据还覆盖时间戳、帧索引、episode索引、任务索引等维度，可满足不同研发场景的数据集切片、时序分析需求。
从应用价值来看，该数据集可广泛应用于多个机器人研发场景：在工业制造场景中，可支撑零部件分拣、物料搬运、自动化装配等场景的机械臂抓取算法训练；在3C电子、生物医药等精密作业场景中，可用于小尺寸、易损元器件的视觉伺服抓取算法性能验证；在科研领域，还可为人形机器人上肢运动控制、多模态感知融合算法的迭代提供标准化测试基准，大幅降低研发团队的原始数据采集与标注成本。作为垂直领域的专用数据集，eval_pick_place的发布也填补了so_follower类型机器人抓取场景标准化数据的供给空白，对于完善机器人领域数据要素供给体系、推动工业机器人智能化落地具有重要支撑作用。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)