当前，人形机器人、工业服务机器人产业化进程持续加速，模仿学习作为机器人实现通用操作能力的核心技术路径，高质量结构化训练数据的供给不足，已成为制约行业算法迭代、场景落地的核心瓶颈之一。尤其是针对双手机器人精细操作场景的多模态标注数据集，由于采集成本高、标注难度大，始终是开源社区的稀缺资源。近日，开发者juyoungggg正式对外发布0514_organize_Battery_1数据集，为这一领域的研发团队提供了新的训练数据选择。
据了解，该数据集于2026年5月15日首发于全球知名AI开源社区HuggingFace，是专门面向双手机器人（bi_so_follower）演示任务打造的机器人学专用数据集，采用LeRobot框架完成创建。数据集共包含30个完整的操作演示情节，累计采集27540帧有效数据，采集帧率为30fps；整体数据采用高压缩比、高读写效率的Parquet文件格式存储，结构化数据文件总大小为100MB，配套多视角视频文件总大小为200MB，兼顾了部署便捷性与数据丰富度。
从数据维度来看，该数据集的特征覆盖三大核心板块：一是全量运动学数据，包含12维的机器人动作关节位置数据、12维的观察状态关节位置数据，完整记录了双手机器人操作全流程的运动参数；二是多视角视觉数据，同步采集了左腕、右腕、右上方三个机位的RGB视频流，视频分辨率为480x640，可满足多模态视觉融合算法的训练需求；三是标准化元数据，配套提供时间戳、帧索引、情节索引等结构化标识，方便开发者按需截取对应数据片段开展定向训练。
从应用价值来看，该数据集可广泛适配双手机器人领域的多类研发场景：在机器人控制方向，研发团队可基于该数据集的运动学标注，训练双手机器人的精细动作规划算法，有望提升双手机器人在3C电子组装、工业零部件分拣、家庭服务操作等场景下的动作精度与稳定性；在模仿学习方向，结合多视角视频数据与对应的动作标注，可支撑端到端模仿学习算法的训练，降低机器人复杂操作技能的学习成本，加快通用机器人技能泛化能力的迭代效率。此外，该数据集也可作为行业通用基准测试集，用于不同机器人控制算法、模仿学习模型的效果横向对比，助力行业标准化测评体系的构建。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)