随着全球服务机器人、协作机器人市场的高速扩容，场景化、高质量的多模态训练数据已经成为制约机器人操作精度、落地效率的核心瓶颈之一，尤其在杂货分拣、家庭收纳等非结构化民用场景，现有公开数据集普遍存在数据维度不全、场景贴合度低等问题，难以满足研发需求。近日，人工智能机器人厂商nodogoro正式发布面向杂货包装分拣场景的专用机器人操作数据集cell1_20260523_mohammed_groceries_packing_20260523_220902，为该细分领域的研发提供了标准化的数据底座。
本次发布的数据集基于HuggingFace旗下开源机器人学习框架LeRobot创建，是专为机器人端到端学习任务设计的标准化数据集。据公开参数显示，该数据集共包含5个完整任务序列（episodes），总计3401帧数据，采用30FPS的工业级采集标准录制，覆盖starpilot_yam_gripper双臂机器人完成杂货分拣的全流程操作。数据集参数维度覆盖机器人控制所需的全量数据：其中动作数据共14维，可支撑两个机械臂的位置、旋转角度和夹爪宽度的精准控制训练；观察状态数据共32维，涵盖编码器角度、IMU加速度与陀螺仪数据、机械臂实时位姿、夹爪开合状态等核心运行参数；视觉数据则同步采集了左右手腕摄像头、基座摄像头的RGB与深度图像，分辨率分别达到480x640与768x1024，实现了机械运动数据与多视角视觉数据的精准时间对齐，可满足不同研发方向的训练需求。
从应用价值来看，该数据集可覆盖机器人控制、视觉感知、强化学习三大核心研发场景：在机器人抓取操作领域，可支撑非规则软包装、易碎日用品、异形食品等不同属性杂货的抓取策略训练，降低商超自动理货机器人、仓储分拣机器人、家庭服务机器人在民用场景的落地门槛；在视觉伺服控制领域，多视角高分辨率的视觉数据与机械臂位姿数据的配套，可帮助研发团队优化视觉反馈与机械运动的联动效率，提升复杂动态场景下的操作精度；在强化学习研究领域，标准化的多模态对齐数据可作为机器人自主学习任务的基准测试集，支撑相关算法的迭代与效果验证。本次数据集的发布也进一步丰富了国内机器人领域的公开数据供给，为数据要素在智能制造、人工智能细分领域的落地应用提供了典型样本。
查看cell1_20260523_mohammed_groceries_packing_20260523_220902
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)