近年，具身智能作为人工智能领域的核心赛道进入爆发期，机器人操作学习、模仿学习作为支撑机器人实现通用任务能力的核心技术方向，长期面临高质量标注训练数据供给不足的痛点——尤其是同时覆盖多关节动作参数、多视角视觉观测、完整时序元数据的垂直场景数据集，是制约相关算法迭代与商业化落地的核心基建短板。近日，S-sirigiri正式发布机器人学专用数据集eval_goal_mug_test_1，该数据集于2026年5月24日首发于全球最大的AI模型与数据集社区HuggingFace，主要面向机器人操作学习、机器人模仿学习领域提供标准化数据支撑。
据公开信息显示，该数据集基于LeRobot工具开发完成，定向适配so_follower类型机器人的训练需求，覆盖三大类核心数据维度：第一类是机器人动作数据，包含肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转、夹爪位置等全部核心关节的动作参数；第二类是观测状态数据，与动作维度对应的关节实时位置数据，可用于算法训练中的动作反馈校验；第三类是视觉观测数据，包含机器人前视摄像头、腕部摄像头同步采集的480x640分辨率RGB视频，可支撑视觉引导的机器人控制算法训练。除此之外，数据集还配套完整的时序元数据，包含时间戳、帧索引、episode索引、任务索引等字段，可满足时序类学习算法的训练要求。存储方面，结构化数据采用高效的parquet格式存储，视频文件采用通用mp4格式，可适配绝大多数主流AI训练框架，大幅降低开发者的数据预处理成本。
从行业应用来看，该类面向机器人操作场景的专用数据集，典型应用方向十分广泛：一是可用于机器人抓取、搬运、物体摆放等通用操作任务的算法训练，帮助机器人快速习得标准化动作流程；二是可支撑机器人模仿学习场景研发，开发者可基于数据集中的完整动作-视觉映射关系，训练机器人复刻演示动作的能力，降低人工示教的成本；三是可作为基准数据集，用于验证不同具身智能算法的泛化性、不同机器人平台的操作精度与场景适配能力。
当前全球数字经济正向具身智能阶段演进，工业机器人、服务机器人等品类的商业化落地速度持续加快，而高质量垂直数据集正是支撑技术迭代的核心底座。本次eval_goal_mug_test_1数据集的发布，进一步丰富了机器人学习领域的细分数据供给，为相关技术研发、算法落地提供了标准化的参考工具，对推动具身智能产业的技术迭代与商业化落地具有积极意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)