近年来，随着具身智能赛道进入高速落地期，工业机器人、协作机器人的自主控制技术迭代速度加快，高质量、场景匹配度高的多模态训练数据集，已成为制约机器人学习模型性能突破的核心资源。尤其是针对关节控制、视觉伺服等机器人核心运动能力的训练，对数据的标注精度、模态对应性都提出了极高要求。近日，机器人学习研发团队robot-learning-group47正式发布专用训练数据集eval_eval1_step5000，该数据集于2026年5月23日首发于全球最大的AI开源社区HuggingFace，定向适配so_follower类型机器人的学习训练需求。
该数据集基于业界主流的机器人学习开源框架LeRobot创建，专注于机器人技术领域的训练需求，包含动作、观测状态、前端图像三类核心特征：其中动作和观测状态均覆盖六个关节的位置数据，具体包括肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部滚动和夹爪位置，完整覆盖多自由度机械臂的核心运动维度；图像特征为256x256x3分辨率的视频帧，可支撑视觉相关的机器人学习任务。数据采用大数据领域通用的parquet文件格式存储，帧率为15fps，结构化数据文件总大小为100MB，配套视频文件大小为200MB，且数据集结构支持分块处理，可灵活适配不同规模的机器人学习和控制任务训练需求。
从潜在应用场景来看，该数据集的多模态联动特征可覆盖机器人研发的多个核心方向：一是关节状态数据可用于训练机械臂的运动控制模型，提升复杂工况下的关节动作精度、响应速度和负载稳定性，适用于工业分拣、精密装配、实验室自动化等场景的机器人研发；二是视觉数据与关节状态的同步标注，可支撑视觉伺服学习模型的训练，帮助机器人通过实时视觉感知调整动作路径，解决动态环境下的障碍物规避、非标准化目标对象精准抓取等行业痛点；三是数据集支持分块处理的轻量化结构，也可适配小样本学习、边缘端模型轻量化训练等新兴研发需求，降低中小研发团队的机器人学习研发门槛。
本次数据集的发布，也进一步丰富了全球机器人学习领域的公开数据供给。当前全球数据要素市场中，垂直领域的专业训练数据供给缺口较大，尤其是机器人领域的多模态标注数据，普遍存在采集成本高、场景适配性弱、标注标准不统一等问题，该数据集的上线，将为相关研发团队提供标准化的基准训练资源，加速具身智能技术从实验室测试到落地场景的转化进程。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)