随着具身智能成为全球人工智能领域的核心落地赛道，机器人模仿学习、多模态控制等技术的迭代高度依赖高质量的实机交互训练数据，但由于实机数据采集成本高、多模态对齐难度大，垂直领域的公开高质量数据集供给长期存在缺口，成为制约中小团队技术创新的核心瓶颈之一。近日，开发者jjr1007正式发布的dino_diffusion_dagger_7数据集，正是针对这一行业需求打造的专属机器人技术数据集，该数据集基于全球应用广泛的机器人学习开源工具链LeRobot平台创建，专为机器人学习任务设计，于2026年5月17日首发上线HuggingFace平台。
从数据构成来看，该数据集完整记录了机器人执行任务过程中的全链路多模态数据：核心数据维度涵盖6个自由度的机器人动作指令（包含肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹爪位置）、与动作维度对应的6个关节位置的机器人状态观测，以及由前摄像头采集的外部图像观测（视频格式，分辨率480x640，30帧/秒，RGB三通道），可实现感知数据与动作状态的精准对齐。此外，数据集还配套包含干预标志、时间戳、帧索引、剧集索引、任务索引等完整元数据，方便研究人员快速调用、处理数据。目前数据集结构化内容以Parquet文件格式存储，视频内容以MP4格式存储，总剧集数为1，总帧数为741，总任务数为1。
作为专门面向机器人学习场景的公开数据集，dino_diffusion_dagger_7可提供机器人与环境交互的连续状态-动作对序列，适用于机器人模仿学习、行为克隆、强化学习等多个研究方向，典型应用场景包括多模态机器人控制算法的验证与迭代、工业机械臂精细操作任务的训练样本补充、具身智能感知-决策链路的对齐研究等，能够大幅降低相关研究团队的实机数据采集成本，加速算法落地验证效率，对于丰富具身智能领域数据要素供给、推动垂直领域AI技术创新具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)