当前全球机器人产业正处于通用化落地的关键攻坚期，无论是工业场景下的柔性装配、物流场景下的分拣拆垛，还是服务场景下的家政辅助，机器人的精细化操作能力都是核心竞争力，而高标注、多模态的真实操作训练数据，是支撑机器人控制模型迭代、降低实体试错成本的核心生产要素。2026年5月16日，开发者juyoungggg正式在HuggingFace平台上线0514_organize_Tape_2数据集，该数据集由LeRobot创建，专门面向机器人操作任务研发，目前已开放公共访问。
据公开信息显示，本次发布的0514_organize_Tape_2数据集覆盖双机械臂跟随机器人（bi_so_follower）的完整操作序列，共包含18个任务片段（episodes）、8290帧有效数据，对应1项特定操作任务。数据集整体采用parquet文件格式存储，核心数据维度包含三部分：一是12维浮点数格式的动作数据，对应左右机械臂的关节位置和夹爪位置；二是同样为12维浮点数格式的观测状态数据，可直接反映机器人实时运行状态；三是来自三个不同机位的视频观测数据，分别为左腕摄像头、右腕摄像头和右上方全局摄像头，所有视频分辨率均为480x640、帧率30fps，可同步还原操作过程中的近景细节与全局环境。除此之外，数据集还包含时间戳、帧索引、episode索引等完整元数据，所有结构化数据总大小约100MB，配套视频文件总大小约200MB，可直接适配主流机器人学习框架的训练需求。
从应用价值来看，该数据集可广泛适配机器人学习与控制领域的多项研究需求：其一是双机械臂协同控制算法研发，研究人员可基于标注完善的动作与状态数据，训练机械臂完成精细操作的控制策略，适用于电子制造、精密组装等工业场景的技术预研；其二是机器人模仿学习领域，依托真实操作的多模态数据，团队可训练从视觉输入到动作输出的端到端模型，无需从零开始搭建实体采集环境即可完成算法验证；其三是多模态机器人感知算法优化，结合腕部近景相机与全局相机的同步画面，可提升机器人在操作过程中的环境感知、障碍物规避能力；此外该数据集也可作为通用基准测试集，用于验证不同双机械臂控制方案的精度、稳定性与泛化能力。
本次数据集的发布，进一步丰富了全球机器人训练数据的供给池，尤其是为中小研发团队、学术机构的双机械臂相关研究降低了门槛，无需投入高额成本搭建实体采集系统即可获取高质量标注的真实操作数据，也为数据要素赋能实体科技产业创新提供了典型落地样本。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)