随着具身智能、服务机器人赛道的快速发展，真实物理场景下的机器人精细操作训练数据，已经成为制约双机械臂控制、多模态感知算法迭代的核心瓶颈之一。区别于虚拟仿真生成的数据，真实环境采集的带标注多模态数据，能够大幅提升算法在落地场景中的适配性，降低后期调试成本，因此高质量场景化数据集的供给一直是行业的核心刚需。
近日，科技厂商nodogoro正式发布面向杂货装箱场景的专用双机械臂操作数据集cell1_20260523_mohammed_groceries_packing_20260523_224909，该数据集于2026年5月24日首发于HuggingFace平台，为机器人操作学习、双机械臂控制领域的研发团队提供了标准化的训练数据支撑。
据公开信息显示，该数据集基于LeRobot框架创建，专门适配starpilot_yam_gripper类型双机械臂的训练需求，共覆盖5组完整任务流程（episodes），以30fps帧率采集得到总计2923帧有效数据，总数据大小约为300MB，采用parquet格式存储结构化数据、mp4格式存储视频数据，方便研发团队快速调用。从数据维度来看，该数据集覆盖三大类核心特征：一是14维浮点数构成的动作数据，完整记录两个机械臂的位置、旋转角度和夹爪宽度参数；二是32维浮点数构成的状态观测数据，包含编码器角度、IMU加速度和角速度、姿态四元数、夹爪开合状态和距离等核心运行参数；三是多视角视觉观测数据，由左右腕部摄像头、两个基座摄像头同步采集，同时提供分辨率为480x640、768x1024的RGB图像和深度图像，完整还原操作场景的全维度视觉信息。
从应用价值来看，该数据集可广泛应用于机器人操作学习、强化学习、计算机视觉等多个研发方向，典型落地场景包括家用服务机器人的杂物收纳打包、线下零售场景的商品分拣装箱、工业协作机器人的小物料分拣装配等，也可用于双机械臂协同控制算法、多模态视觉-力觉融合感知模型的训练与验证。对于整个具身智能行业而言，场景化的高质量标注数据集是技术落地的核心基础设施，本次发布的杂货打包场景数据集，填补了民用高频操作场景的双机械臂数据供给空白，能够大幅降低中小研发团队的数据采集成本，加速相关算法的迭代与商业化落地，对推动具身智能产业的普惠化发展具有积极意义。
查看cell1_20260523_mohammed_groceries_packing_20260523_224909
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)