当前具身智能产业已进入落地关键期，机器人的精细化操作能力成为决定其商用价值的核心指标，而视觉引导下的物品放置、分拣、装配等任务，是工业、仓储、服务等多场景机器人的通用基础能力。但长期以来，该领域的训练数据集普遍存在标注维度单一、场景匹配度低、未做标准化清洗等问题，研发团队往往需要花费30%以上的项目周期自主采集、标注训练数据，大幅拉高了研发成本，也延缓了模型迭代速度。
在此行业背景下，jlukabc联合机器人技术团队LeRobot推出的place_item_on_box_closecam_test_clean_no_bad4数据集，瞄准机器人物品放置任务的训练需求定向打造，为具身智能研发团队提供了标准化的高质量训练数据源。据公开信息显示，该数据集共包含63个完整任务序列（episodes），累计36247帧有效数据，采样帧率为30fps，覆盖机器人完成物品放置到盒子上的全流程操作场景。数据维度覆盖研发训练所需的全量要素：既包含对应机器人关节位置、夹爪位置的6维动作数据，与动作维度对齐的6维机器人观察状态数据，也同步采集了手腕摄像头（分辨率480x640，3通道）、顶部全局摄像头（分辨率720x1280，3通道）的双视角视频图像数据，同时配套了时间戳、帧索引、任务序列索引、任务类型索引等完整元数据，所有数据均经过标准化清洗与标注校验，无需额外预处理即可直接用于模型训练。本次数据集基于so_follower类型机器人采集，采用业内通用的parquet结构化数据格式+mp4视频格式存储，结构化数据文件总大小100MB，视频文件总大小200MB，目前已完成训练集划分，全部63个任务序列均纳入训练集，可直接用于机器人物品放置到盒子上相关任务的模型训练与效果测试。
从应用场景来看，该数据集可广泛适配多个领域的机器人研发需求：在工业制造场景，可用于训练电子装配、零部件上料等环节的机器人视觉引导放置操作，提升产线自动化率；在电商物流场景，可支撑仓储分拣机器人的货品入箱、码放，以及末端配送机器人的快递取放等任务的模型训练；在商用服务场景，也可用于餐饮机器人的餐品放置、办公服务机器人的文件物品整理等功能的迭代优化。作为面向细分场景的专用开放数据集，本次发布的产品进一步丰富了具身智能领域的数据要素供给，为中小研发团队降低了数据采集标注的门槛，对于加快机器人精细化操作能力的落地、推动具身智能产业的商业化进程具有积极作用。
查看place_item_on_box_closecam_test_clean_no_bad4
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)