当前服务机器人在即时零售、前置仓配送、线下商超等场景的商用落地进程持续加快，杂货打包作为末端履约的高频刚需环节，对双机械臂的操作精度、场景适应性提出了极高要求。而机器人操作学习尤其是模仿学习、强化学习的研发，高度依赖高标注质量、覆盖真实场景特征的专用数据集，此前行业内面向杂货打包细分场景的公开数据集供给不足，成为制约相关技术落地的核心痛点之一。
近日，机器人技术研发主体nodogoro正式发布杂货打包场景专用机器人操作数据集cell1_20260523_mohammed_groceries_packing_20260523_221418，该数据集于2026年5月24日首发于全球知名的AI模型与数据集开源平台HuggingFace，主要面向机器人操作学习、杂货打包任务研发领域开放使用。
据公开信息显示，该数据集为典型的机器人操作专用数据集，基于LeRobot工具创建，针对starpilot_yam_gripper型号机器人的操作特征设计。全数据集共包含5个任务序列（episodes），总计3533帧有效数据，所有数据以parquet格式存储，总数据文件大小为100MB，配套的视频文件大小为200MB，采样帧率为30fps。
从数据维度来看，本次发布的数据集覆盖了机器人操作全链路的核心特征：其一为14维浮点数组格式的动作数据，精准记录两个机械臂的位置、旋转角度和夹爪宽度等操作参数；其二为32维浮点数组格式的观测状态数据，涵盖编码器角度、IMU加速度与角速度、位姿坐标和四元数、夹爪实时状态等多维度运行状态信息；其三为多视角视觉数据，包含来自左腕、右腕和基座三个位置摄像头的RGB及深度图像，分辨率分别为480x640和768x1024，可支撑多模态感知算法的训练；除此之外还配套有时间戳、帧索引、episode索引等完整元数据，方便研发人员调用、标注与二次处理。
该数据集的发布为机器人操作学习领域的研发提供了高质量的场景化数据支撑，典型应用方向包括：可用于杂货打包场景下双机械臂的模仿学习训练，帮助算法快速学习不同品类杂货的抓取力度、摆放逻辑；可作为强化学习的预训练数据集，大幅降低真机调试的时间与成本；可用于多模态机器人感知算法的优化，结合视觉、力控等多维度数据提升复杂场景下的抓取成功率；也可作为杂货打包机器人的性能评测基准数据集，为不同技术方案的横向对比提供统一参照。
从行业发展来看，本次场景化专用数据集的开源，进一步丰富了机器人操作学习领域的公开数据供给，降低了中小研发团队切入杂货打包机器人赛道的技术门槛，对推动末端履约环节的自动化、智能化升级，以及服务机器人商用落地进程均有积极意义。
查看cell1_20260523_mohammed_groceries_packing_20260523_221418
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)