当前具身智能已成为人工智能落地的核心赛道，而高质量、场景化的标注数据集是支撑机器人控制算法、多模态大模型迭代的核心底座，针对细分机械臂类型的公开训练数据长期存在供给缺口。作为当前行业主流的机器人数据集开源构建工具，Meta推出的LeRobot框架已被全球开发者广泛用于机械臂控制、具身智能模型训练的数据生产环节，持续丰富全球机器人学开源数据生态。
近日，开发者ApaydinK正式发布基于LeRobot构建的机器人学数据集le-robot_levke3，该数据集于2026年5月16日首发于HuggingFace社区，目前已开放公开访问。
据公开信息显示，le-robot_levke3共包含3个数据总集、3762帧同步标注数据，总大小约300MB，其中结构化标注数据100MB、配套视频数据200MB；结构化数据采用业界通用的parquet格式存储，可直接对接PyTorch、TensorFlow等主流AI训练框架，视频素材采用标准mp4格式封装，大幅降低开发者的数据集适配成本。
该数据集的标注维度覆盖三大类核心特征：一是动作标注层，包含肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部滚动、夹爪位置共6个浮点型关节位置参数，完整覆盖小型机械臂的核心运动维度；二是观察状态层，除同步采集的6个关节位置参数外，还搭载后置、顶部双机位拍摄的实时视频流，分辨率为480x640、3通道、帧率30fps，可充分满足视觉强化学习的多视角感知训练需求；三是元数据层，配套有时间戳、帧索引、集索引、任务索引等维度标注，支持开发者按需截取数据集片段，完成针对性的小样本训练、算法验证等需求。该数据集适配so_follower型机械臂，当前覆盖1类典型操作任务，可直接用于训练和评估机器人控制模型，适用于强化学习或模仿学习类研发任务。
从应用场景来看，le-robot_levke3可支撑多个细分领域的研发需求：在工业协作机器人领域，可用于小型机械臂的高精度关节控制、轨迹规划、力控调整算法的训练与评估，减少研发团队的实地数据采集成本；在具身智能领域，同步的多视角视觉数据+关节参数可支撑“视觉感知-动作输出”的端到端模型训练，覆盖工业分拣、实验室样品转运、桌面级精密操作等典型落地场景；此外，该数据集还可作为机器人仿真与真机迁移的验证基准，为相关算法的跨环境适配提供标准化测试依据。
本次le-robot_levke3数据集的发布，填补了so_follower型机械臂细分场景的公开训练数据空白，为中小研发团队、学术研究机构降低了具身智能领域的研发门槛，也为全球机器人学开源数据生态补充了优质的细分场景数据源。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)