近年具身智能已成为全球AI领域的核心落地赛道，双机械臂的柔性操作、非结构化场景下的智能抓取规划，是机器人从工业场景走向通用场景的核心技术卡点，而制约相关技术迭代的关键瓶颈之一，就是高质量、全链路的真实场景训练数据集稀缺。多数公开机器人操作数据集要么仅覆盖仿真环境，实机迁移时泛化性不足；要么仅收录单视角视觉数据，缺乏完整的机器人控制信号、硬件传感器反馈链路数据，难以支撑端到端具身智能模型的训练与落地。
nodogoro本次发布的cell1_20260523_mohammed_groceries_packing_20260523_213434数据集正是针对上述行业痛点打造的专业训练数据资产。该数据集是一款面向真实杂货打包场景的机器人操作数据集，由LeRobot创建，专门用于机器人学习任务研发。
数据集包含5个完整的任务执行episode，总计3012帧标注数据，采集基于starpilot_yam_gripper双机械臂机器人平台完成。数据采用行业通用的parquet文件格式存储结构化数据，视频流以mp4格式存储，帧率为30fps，完整覆盖机器人作业的全链路数据维度：其中动作层数据收录两个机械臂的14维控制信号，包含位置、旋转角度和夹爪宽度三类核心控制参数，可支撑臂手协同控制算法的训练；感知层数据包含32维传感器数据，覆盖编码器角度、IMU加速度和角速度、机器人全局姿态、夹爪实时状态等硬件反馈信息，可帮助模型学习真实机器人的作业物理逻辑，缩小仿真训练与实机运行的性能差；视觉层数据则提供多视角摄像头采集结果，包含左腕、右腕的RGB和深度图像（分辨率480x640），以及基座搭载的两个不同分辨率RGB图像（分别为480x640和768x1024），可支撑多模态视觉感知模型的训练，实现对不规则物品的识别、抓取姿态规划等功能。这些多维度的联动数据，可广泛用于训练和评估机器人控制、视觉感知、端到端具身智能等各类模型。
从应用场景来看，该数据集围绕杂货打包这一通用场景构建，训练完成的模型可快速迁移至多个商业与生活场景：比如在零售前置仓、商超到家业务场景中，可用于训练自动打包机器人完成多品类商品的分类码放，降低易碎品、易挤压商品的破损率；在仓储物流拆零拣选环节，可优化机械臂对不规则包装商品的抓取路径规划，提升小件商品的拣选效率；在家用服务机器人场景中，可支撑物品整理、食材分拣等功能的迭代；也可用于轻工制造场景中小件物料的组装、分拣机器人的研发。
作为具身智能领域的新增高质量数据资产，该数据集的发布也将降低中小研发团队的真实场景数据采集成本，加快机器人操作相关技术从实验室到商业化落地的迭代速度，为数据要素支撑AI产业落地提供典型参考。
查看cell1_20260523_mohammed_groceries_packing_20260523_213434
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)