当前，全球通用机器人、工业机械臂技术迭代进入快车道，模仿学习作为机器人实现类人操作能力的核心技术路径，长期面临高质量标注训练数据供给不足的痛点——真实物理场景下的机械臂运动数据采集不仅成本高、周期长，还存在设备损耗、安全风险等问题，高还原度的仿真数据集因此成为行业研发的核心刚需，也是全球AI开源社区重点补充的垂直数据品类。
近期，开发者serdarbahar正式发布机器人学数据集task_exp_simulation_dual_7，该数据集于2026年5月24日首发于全球最大的AI开源社区HuggingFace，是业内少见的专门针对xArm7 7自由度机械臂打造的仿真训练数据集，全程使用机器人领域主流的LeRobot工具创建，数据规范性与可用性得到行业通用框架的原生适配，可大幅降低开发者的数据适配成本。
本次公开的task_exp_simulation_dual_7数据集共包含80个完整任务剧集，累计16000帧运动数据，采样帧率为30fps，完整覆盖了机械臂完成标准化操作任务的全流程运动周期。数据采用大数据领域通用的Parquet列式存储格式存储，结构化数据文件总大小为100MB，配套视频文件大小为200MB，方便开发者快速读取、解析与预处理。目前该数据集仅开放训练集，分割索引范围为0到80。
从数据维度来看，该数据集的特征维度覆盖了机器人模仿学习训练所需的全链路参数：其中16维浮点数格式的动作特征，完整记录了机械臂正向、逆向运动过程中7个关节的运动参数以及夹爪的开合状态，可支撑毫米级精度的机械臂运动控制算法训练；1维浮点数格式的观测状态特征对应任务完成进度，可为强化学习、模仿学习算法提供实时反馈信号；76维浮点数格式的环境状态特征则包含了机械臂空间位置参数与64个降维处理的视觉图像特征，在保留环境感知核心信息的同时大幅降低了训练的算力门槛，适配不同算力条件的研发团队需求；此外数据集还配套了时间戳、帧索引、剧集索引、任务索引等标注字段，可满足多场景下的算法训练、效果验证、基准测试等多元需求，适用于各类机器人控制和模仿学习任务研发。
据行业人士介绍，这类垂直场景的仿真训练数据集可落地多个研发方向：在工业领域，可用于3C电子装配、精密物料分拣、柔性制造等场景的机械臂模仿学习算法预训练，无需在真实产线上跑通大量测试即可完成算法的初步迭代，大幅降低工业机器人的研发成本；在科研领域，可作为通用机器人上肢控制、小样本模仿学习、跨场景迁移学习等技术方向的基准测试数据集，为高校、科研机构的相关研究提供标准化的验证底座；此外，该数据集还可用于机器人低代码开发平台的能力训练，降低中小团队开发定制化机械臂应用的技术门槛，对丰富机器人领域训练数据供给、推动通用机器人技术落地具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)