近年来随着具身智能产业快速升温，机器人操作学习领域对真实场景下的结构化训练数据需求持续增长——相较于合成数据，实机采集的多模态标注数据能够更好地还原真实操作中的环境误差、动作偏差，有效提升训练模型的泛化能力和落地适配性，而聚焦家用细分场景的高质量数据集始终是行业供给缺口。2026年5月22日，开发者AnranZZ正式发布pnp_microwave专用数据集，该数据集首发于HuggingFace平台，是使用机器人领域主流开源工具链LeRobot创建的垂直领域数据集，聚焦移动操作机器人的技术研发需求，尤其适配当下具身智能研究领域广泛使用的Stretch移动操作机器人。
据公开信息显示，该数据集共包含37个完整操作序列（episodes），总计11044帧有效数据，覆盖2类核心操作任务，数据采用parquet格式存储，采样帧率为10fps，能够满足绝大多数模仿学习、强化学习模型的训练采样要求。在标注维度上，pnp_microwave数据集覆盖了机器人操作所需的全链路多模态数据：包括主视角图像与腕部视角图像两类视觉数据，均为224x224分辨率的RGB三通道图像，可同时模拟全局环境观测与操作端近距离观测的双视角感知逻辑；同时包含8维浮点型状态数组，可对应末端执行器的位置、姿态和夹爪开合状态，以及7维浮点型动作数组，可直接对应末端执行器与夹爪的控制指令；此外还配套了完整的时间戳、帧索引、操作序列索引、任务索引等标注字段，无需研究人员进行二次标注清洗即可直接接入训练流程。
从应用价值来看，该数据集可广泛用于机器人学习与控制相关的研发工作，典型方向包括面向家用场景的拾取放置任务训练，比如微波炉门开关、食物/餐具取放等服务机器人高频操作功能的模型训练，也可支持模仿学习、强化学习领域的算法优化研究，以及跨机器人平台的操作技能迁移实验。作为聚焦细分场景的高质量实采数据集，pnp_microwave的发布也进一步丰富了机器人操作学习领域的供给，为具身智能技术从实验室走向商用落地提供了底层数据支撑。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)