随着具身智能产业进入落地攻坚期，真实场景下的多模态机器人操作数据集已成为制约算法迭代的核心瓶颈之一——当前多数公开数据集仅覆盖单机械臂、单一视觉维度的操作场景，缺乏双机械臂协同、融合本体状态与多视角视觉感知的高质量标注数据，大大提升了中小研发团队的技术准入门槛。近日，机构nodogoro正式发布cell1_20260518_mohamed_lego_sorting20260518_181835数据集，填补了乐高分拣场景下双机械臂操作数据的供给空白。
据介绍，该数据集是专门面向机器人学习与控制任务打造的场景化操作数据集，基于HuggingFace旗下开源机器人学习工具栈LeRobot创建，格式与主流深度学习框架天然兼容，无需额外适配即可快速接入训练流程。数据集覆盖双机械臂（arm1和arm2）的全链路操作数据：其中动作数据为14维浮点数向量，完整记录机械臂的空间位置、旋转角度与夹爪开合宽度等核心控制参数，可支撑高精度操作控制模型的训练；观测数据则包含两大维度，一是32维的本体状态向量，覆盖编码器角度、IMU传感器数据、机械臂实时姿态等运行参数，二是多视角视觉感知数据，包含左腕0号、右腕0号摄像头采集的480x640分辨率RGB+深度图像，以及基础0号（480x640分辨率）、基础1号（768x1024分辨率）摄像头采集的全局RGB图像，所有视频数据均以30fps帧率采集，完整还原了乐高分拣场景下的机械臂运行状态与环境变化。目前数据集以parquet列式存储格式与mp4视频格式存储，共包含6个完整操作序列、3989帧有效标注数据，可直接用于机器人学习相关研发。
从应用方向来看，该数据集可广泛覆盖机器人操作控制、视觉伺服抓取两大核心领域的研发需求：在机器人操作控制方向，双机械臂的协同操作数据可为工业分拣、柔性装配等场景的多臂协同算法研发提供训练支撑，解决传统单臂数据集无法适配复杂协同任务的痛点；在视觉伺服抓取方向，多视角融合的RGB+深度数据可支撑基于实时视觉反馈的动态抓取算法训练，帮助机器人在抓取对象位置偏移、光照变化等复杂环境下仍能精准完成操作。此外，该数据集还可用于仿真到真实（Sim2Real）算法迁移验证、小样本操作学习研究等多个前沿方向，为相关技术落地提供标准化的测试基准。
作为数据要素在具身智能领域的典型供给成果，本次发布的场景化专用数据集有效降低了机器人操作算法的研发门槛——研发团队无需自行搭建昂贵的双机械臂数据采集环境，即可获取标准化的多模态标注数据，大幅缩短算法迭代周期，对推动工业机器人、服务机器人的操作能力落地具有重要的支撑作用。
查看cell1_20260518_mohamed_lego_sorting20260518_181835
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)