当前全球服务机器人、人形机器人赛道正处于落地应用攻坚阶段，场景化、多模态的高质量标注训练数据，是制约机器人操作算法迭代、感知系统优化的核心瓶颈之一。尤其是面向商超分拣、仓储打包、家庭服务等民用场景的双机械臂操作任务，现有公开数据集普遍存在场景匹配度低、数据模态不全、标注维度不足等问题，难以支撑算法的端到端训练优化。近日，机器人领域专业数据提供商nodogoro正式对外发布cell1_20260523_mohammed_groceries_packing_20260523_214459专用数据集，并于2026年5月24日在HuggingFace平台首发，专门面向双机械臂操作、机器人多模态感知等研发场景设计。
据悉，本次发布的数据集为机器人学专用训练数据集，采用行业通用的LeRobot开源工具采集构建，针对starpilot_yam_gripper型号双机械臂的抓取、操作任务定向采集。数据集共包含5组完整的杂货打包操作流程（episodes），累计3060帧时序数据，采集帧率为30fps，结构化数据采用parquet格式存储以适配主流AI训练框架调用，总结构化数据文件大小为100MB，配套视频文件大小为200MB，仅开放训练分割数据集供研发使用。
从数据维度来看，该数据集的标注覆盖了机器人操作全链路的核心特征：包含14维动作向量，可精准对应两个机械臂的空间位置、旋转角度、抓取宽度控制参数，为强化学习训练端到端控制模型提供了标准化的动作标注；32维观测状态数据，覆盖编码器角度、IMU传感器数据、机械臂位姿、抓取器运行状态等本体感知信息，可支撑多模态感知系统的校准与优化；同时配备左腕、右腕、基座三个位置的摄像头采集的RGB与深度图像数据，图像分辨率覆盖480x640、768x1024两种常用规格，可满足计算机视觉领域动态抓取识别、环境语义分割等任务的训练需求，此外还包含时间戳、帧索引、情节索引等完整元数据字段，方便研发人员进行时序数据的拆解与调用。
从应用价值来看，该数据集可广泛应用于机器人控制算法研发、多模态感知系统优化、强化学习场景奖励函数标定、计算机视觉动态抓取识别等多个研究方向，除了直接支撑杂货打包场景的双机械臂操作模型训练外，还可通过迁移学习适配工业零部件分拣、家庭物品整理等同类双机械臂操作场景的研发需求，为相关领域的学术研究、企业产品开发提供了高质量的标准化训练数据支撑，也进一步丰富了民用服务场景的机器人公开数据集供给，对推动双机械臂操作技术的落地普及具有积极意义。
查看cell1_20260523_mohammed_groceries_packing_20260523_214459
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)