当前全球机器人产业正处于落地攻坚的关键阶段，工业柔性生产、家庭服务、商业配送等场景对机器人的精细化操作、动态物体抓取能力需求持续攀升。作为机器人控制模型训练的核心生产要素，高质量、多维度的真实场景标注数据始终是行业稀缺资源，尤其针对细分抓取任务的标准化公开数据集供给缺口明显，直接制约了机器人操作技术的迭代效率。
近日，技术厂商adimunot正式对外发布so101-cube-to-bowl-v2机器人任务数据集，该数据集于2026年5月24日首发于全球知名AI开源社区HuggingFace，定向适配机器人操作、物体抓取领域的研发与训练需求。
公开信息显示，so101-cube-to-bowl-v2数据集针对立方体移至碗具的典型抓取任务完成采集，采集载体为so_follower型号机器人，共包含16个完整任务序列（episodes）、9529帧标注数据，采用parquet高效存储格式降低数据读取成本。数据集覆盖多维度核心标注特征：其一为机器人动作参数，包含肩部、肘部、腕部各关节及末端夹持器的实时位置数据；其二为机器人状态观察数据，同步收录与动作参数匹配的关节位置反馈数据，可用于控制模型的闭环验证；其三为多视角视觉观察数据，包含顶视（overhead）、腕部双视角视频流，分辨率为480x640，帧率达30fps，可支撑视觉感知与动作控制联动的多模态模型训练；除此之外还包含时间戳、帧索引等完备元数据，可直接用于机器人学习与控制任务的训练与验证环节。
从应用价值来看，该数据集可广泛适配多个机器人研发场景：在工业领域，可用于训练流水线物料分拣、小型零配件装配的机器人抓取策略，提升工业机器人在动态场景下的操作精度与容错率；在服务机器人领域，可支撑家用服务机器人、商用配送机器人的物品取放、餐厨辅助等功能的算法迭代；在科研领域，也可为模仿学习、视觉伺服控制、低样本机器人学习等前沿方向提供标准化的验证数据集。作为机器人垂直领域的细分专业数据集，so101-cube-to-bowl-v2的发布也进一步丰富了公开机器人训练数据的供给体系，为数据要素在实体AI领域的落地应用提供了典型样本，助力机器人操作技术的商业化落地进程。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)