随着全球人形机器人、工业协作机器人、服务机器人赛道进入技术落地的关键周期，机器人模仿学习、高精度关节控制等核心技术的研发，对实采、多模态的高质量训练数据集需求持续攀升。公开可复用的标准化数据集，是降低机器人学习领域研发门槛、加速算法迭代的核心公共资源。
2026年5月23日，机器人学习领域研发团队robot-learning-group47正式在HuggingFace平台首发eval_eval1_step3000数据集，该数据集专门面向机器人模仿学习、关节运动控制等研发场景打造，是当前行业内少有的针对跟随类机器人场景的结构化多模态数据集。
据公开信息显示，eval_eval1_step3000数据集基于LeRobot框架创建，采集对象为so_follower类型的跟随机器人，完整包含机器人动作数据与多模态观察数据两大类核心内容：其中动作特征覆盖6个核心关节的位置参数，包括肩部平移、肩部提升、肘部弯曲等核心运动维度；观察特征则同步覆盖两类数据，一是与动作维度对应的6个关节实时状态信息，二是机器人前置摄像头采集的分辨率为256x256x3的RGB图像数据。数据集采用parquet格式存储，采样帧率为15fps，同时配套完整的时间戳、帧索引、剧集索引等元数据，整体结构支持分块处理，可直接适配机器人学习、运动控制相关任务的训练、测试需求。
从应用价值来看，该数据集可广泛支撑机器人学习领域的多类研发场景：在模仿学习方向，研究人员可基于数据集中的动作-观测匹配序列，训练机器人复刻预设的精细操作动作，可覆盖工业装配线协作、服务机器人物品抓取、人形机器人步态学习等典型场景的算法训练需求；在关节运动控制方向，数据集的结构化关节参数可用于柔顺控制、力位混合控制等算法的效果验证，大幅降低实体机器人反复测试带来的研发成本与安全风险；在多模态融合决策方向，研究人员可结合关节状态数据与视觉感知数据，训练机器人在动态环境下的运动调整能力，为动态跟随、自主避障等功能的落地提供数据支撑。
当前国内数据要素市场正加速向垂直行业场景渗透，智能制造、机器人领域的高质量训练数据集，是支撑产业数字化、智能化升级的核心生产要素。本次robot-learning-group47公开该数据集，不仅为机器人学习领域的学术研究、技术验证提供了标准化的基准数据参考，也为行业内数据集的开放共享模式提供了参考样本，有望进一步推动机器人领域技术研发的协同效率。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)