随着服务机器人在零售、即时配送、仓储等场景的商用化进程加快，非结构化场景下的柔性抓取、动态作业已经成为行业核心技术攻坚方向。而高质量的真实场景操作数据集，是支撑机器人控制算法迭代、模仿/强化学习训练的核心生产资料，长期以来也是细分场景研发的核心稀缺资源。近日，机器人技术研发机构nodogoro正式发布杂货打包场景专项双臂机器人操作数据集，为相关领域研发提供了新的底层数据支撑。
本次发布的cell1_20260523_mohammed_groceries_packing_20260523_221141数据集为机器人学专项数据集，使用行业通用的LeRobot工具创建，采集载体为搭载starpilot_yam_gripper夹爪的双臂机器人，聚焦杂货打包作业全流程的操作数据采集。数据集共包含5个完整作业序列（episodes），总计3270帧采集数据，采样帧率为30fps，覆盖完整打包流程的动态动作变化。数据维度包含三大类核心特征：其一为机器人动作数据，涵盖手臂位置、旋转角度、抓取宽度等核心控制参数；其二为状态观测数据，包括编码器角度、IMU传感器数据、姿态信息等本体运行数据；其三为多视角视觉观测数据，包含左腕、右腕、基座三个位置摄像头同步采集的RGB图像与深度图像，分辨率分别为480x640和768x1024，可支撑视觉感知算法的多维度训练需求。除此之外，数据集还配套有时间戳、帧索引、episode索引等完整元数据，整体采用parquet格式存储，可直接对接主流机器人算法训练框架，适配机器人控制、模仿学习、强化学习等多类研发场景，尤其适合杂货打包相关的操作任务训练。
从行业应用价值来看，该数据集针对性覆盖了杂货打包这一高潜力商用场景，可支撑多个方向的技术研发：在机器人抓取策略优化方向，研发团队可基于多维度的抓取动作与视觉数据，训练针对不同材质、形态杂货的差异化抓取力度、角度控制算法，降低易碎品、易变形商品的抓取损耗；在模仿学习方向，可基于完整的作业序列数据，实现人类打包操作逻辑向机器人控制指令的转化，缩短算法训练周期；在场景感知方向，多视角的深度与RGB数据可支撑复杂堆叠场景下的商品识别、空间定位算法训练，提升非结构化场景下的机器人作业稳定性。本次数据集面向全球研发团队开放使用，将有效降低零售、仓储领域服务机器人研发的数据采集成本，填补杂货打包细分场景的公开数据集空白，助力服务机器人商用落地进程提速。
查看cell1_20260523_mohammed_groceries_packing_20260523_221141
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)