当前通用机器人商业化落地已进入关键攻坚阶段，末端灵巧操作能力是服务机器人突破家庭、商超等民用非结构化场景的核心技术门槛，而高质量、场景化的真人演示数据集，是训练机器人模仿学习、强化学习模型的核心生产资料，此前行业内面向杂货打包这类涉及多形态物品、可变操作逻辑的民用场景的双机械臂操作数据集供给相对有限，成为相关技术迭代的制约因素之一。
在此背景下，nodogoro本次正式发布数据集cell1_20260523_mohammed_groceries_packing_20260523_213200，该数据集由LeRobot创建，是专门面向starpilot_yam_gripper型号双机械臂杂货打包任务打造的演示数据集。数据集包含5个完整的操作情节（episodes），总计3020帧数据，帧率为30fps，所有数据以parquet格式存储并统一划分为训练集，可直接接入机器人学习模型训练流程。
从数据特征来看，该数据集覆盖了机器人操作训练所需的全维度标注信息：一是14维浮点数组格式的动作数据，对应两个机械臂的位姿控制参数与夹爪宽度控制参数，可直接为模型提供标准化操作动作的标注基准；二是32维浮点数组格式的状态观测数据，包含两个机械臂的编码器角度、IMU加速度和角速度、位姿（位置+四元数）、夹爪开合状态和距离等全链路运行参数，能够完整还原机械臂操作过程中的实时运行状态，为模型学习操作逻辑提供底层状态参考；三是多视角图像观测数据，包括左腕和右腕的RGB图像与深度图像（分辨率480x640），以及两个基座相机的RGB图像（分辨率分别为480x640和768x1024），所有图像采用h264编解码器以视频格式存储，多维度的视觉数据可完整还原杂货打包场景下的物品形态、摆放位置、操作过程的视觉变化，适配多模态机器人学习模型的训练需求。
该数据集除了可直接应用于机器人学习、模仿学习或强化学习任务外，还可支撑双机械臂协同操作算法优化、非结构化场景下的柔性抓取策略研发、商超/家庭场景服务机器人的功能测试等多个研发方向，能够帮助相关团队降低真实场景下的演示数据采集成本，缩短机器人灵巧操作相关模型的训练与迭代周期，对推动民用服务机器人的落地应用具有重要的支撑价值。
查看cell1_20260523_mohammed_groceries_packing_20260523_213200
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)