当前全球服务机器人、工业操作机器人赛道正处于商业化落地的关键周期，高标注质量的实机训练数据，是制约机器人控制、视觉感知算法迭代效率的核心瓶颈之一，行业对细分场景专用数据集的需求持续攀升。2026年5月23日，科技团队stevenworkspace正式在HuggingFace平台上线专为机器人学任务打造的eval_take2数据集，为相关领域研发提供了新的高质量数据供给选择。
据介绍，本次发布的eval_take2数据集基于LeRobot框架构建，是面向机器人动作控制、环境感知任务定向采集的专用数据集。数据集总采集规模为569帧，采集帧率为30fps，结构化数据采用parquet格式存储，文件大小为100MB，配套视频文件总大小为200MB。
该数据集所有数据均来自mobileai_robot机器人的实机运行采集，覆盖动作、观察状态两大核心维度：其中动作维度包含16个浮点数值，对应机器人左右侧关节的实时位置与运行速度，可直接用于机器人关节协同控制、动作精度调校等模型的训练；观察状态维度除了同步采集的16个关节状态浮点值外，还包含三个不同视角的摄像头视频数据，分别为高位全局摄像头（cam_high）、左腕部摄像头（cam_left_wrist）、右腕部摄像头（cam_right_wrist），所有视频分辨率为480×640、3通道，采用AV1编码压缩，兼顾了数据精度与存储效率，可为多视角视觉定位、手眼协同操作、动态目标识别等算法研发提供数据支撑。此外，数据集还配套了完整的时间戳、帧索引、集索引、任务索引等元数据，方便开发者根据研发需求进行时序拆分、任务定向筛选等数据处理操作，目前该数据集仅开放全量训练分割（0:1），开发者可直接调用开展训练工作。
从应用场景来看，eval_take2数据集可广泛应用于移动操作机器人、服务机器人、工业拣选机器人等多个品类的研发环节：既可以用于训练机器人的动作规划模型，提升复杂操作场景下的动作稳定性；也可以用于多模态感知算法的迭代，优化机器人在非结构化环境下的识别与决策能力。对于缺乏大规模实机数据采集能力的中小研发团队、高校科研机构而言，该数据集的发布可有效降低研发门槛，减少实机测试的成本投入，同时也为机器人领域数据集的标准化建设提供了参考样本，对推动机器人技术的普惠化研发具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)