当前，零售、仓储等场景的末端操作自动化需求持续爆发，高标注度的场景化机器人操作数据集，已成为支撑机器人算法迭代、降低真机调试成本的核心基础资源。近日，机器人领域专业数据服务商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_223324，该数据集由专注机器人学任务研发的LeRobot团队打造，于2026年5月24日首发于全球最大的AI开源社区HuggingFace，瞄准机器人操作控制、视觉感知抓取、强化学习等核心研发场景需求。
本次发布的数据集适配starpilot_yam_gripper型号机器人，共包含5组完整杂货打包操作序列（episodes），总采集帧数达2889帧，采集帧率为30fps，完整覆盖机器人从识别货品、调整姿态到完成夹取打包的全流程数据，核心分为三大维度：一是机器人动作数据，包含14维臂部位置、旋转参数及夹爪宽度数据，可直接用于机器人运动控制策略的训练与验证；二是机器人状态观测数据，包含32维编码器角度、IMU（惯性测量单元）加速度与陀螺仪数据、姿态四元数、夹爪开合状态等核心运行参数，可为机器人运动校准、误差控制、碰撞规避等研究提供真实场景下的参考基准；三是多视角视觉数据，配置了腕部+基座的多摄像头采集方案，包括左右腕部的RGB图像与深度图像（分辨率均为480×640）、基座搭载的两组不同分辨率RGB图像（分别为480×640、768×1024），可满足不同精度要求的视觉识别、姿态估计、动态抓取算法的训练需求。存储层面，结构化数据采用高效列式存储格式parquet存储，视频流采用通用mp4格式存储，兼顾了研发人员的读取效率与工具兼容性。
从行业应用价值来看，该数据集瞄准零售末端、智能仓储的细分操作场景，典型应用方向覆盖三大领域：其一可用于视觉抓取算法研发，基于不同材质、不同形状杂货的真实采集数据，可优化动态抓取策略，降低不规则货品的抓取破损率；其二可用于运动控制模型训练，基于真实场景下的动作与状态联动数据，可提升机械臂在狭小打包台空间内的运动精度与作业效率；其三可用于强化学习场景训练，完整的端到端操作序列数据，可为自主决策模型提供高标注度训练样本，大幅缩短真机调试周期。本次数据集的发布，也填补了零售自动化操作场景的细分数据空白，为机器人领域的产学研协同研发提供了标准化的基础数据支撑，助力服务机器人在新零售、智能仓储等场景的落地提速。
查看cell1_20260523_mohammed_groceries_packing_20260523_223324
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)