当前，随着即时零售、社区电商的快速普及，线下门店、前置仓的末端打包环节成为人力成本高、效率提升瓶颈的核心场景，自动化打包机器人的研发需求持续攀升。但机器人精细操作算法的训练高度依赖真实场景下的本体运行、视觉感知、动作指令匹配的高质量标注数据，这类数据采集成本高、标注维度复杂，长期是制约服务机器人落地的核心痛点。此次nodogoro发布的cell1_20260523_mohammed_groceries_packing_20260523_215314数据集，正是针对杂货打包场景打造的专用机器人操作数据集，基于LeRobot框架生成，完整记录了配备starpilot_yam_gripper夹爪的双臂机器人执行杂货打包任务的全流程数据。该数据集共包含5个任务片段、2728帧采样数据，采样帧率为30fps，覆盖三大类核心数据特征：14维动作向量可完整还原双臂位置、旋转角度及夹爪宽度控制指令，是模仿学习、行为克隆算法训练的核心标注标签；32维状态观测数据涵盖双臂编码器角度、IMU加速度/角速度、末端执行器位姿、夹爪开合状态等本体运行参数，可帮助算法降低仿真环境到真实场景的迁移误差；此外还包含多视角视觉数据，覆盖左右腕部摄像头的RGB+深度图像、两个基座摄像头的RGB图像，既能捕捉打包操作的近距离细节，也可还原全局环境信息，支撑多模态机器人学习算法研发。数据集采用Parquet格式存储，兼容性强、读取效率高，可直接适配主流机器学习框架，无需额外格式转换即可投入训练使用。
查看cell1_20260523_mohammed_groceries_packing_20260523_215314
从应用价值来看，该数据集可直接应用于机器人操作学习领域的模仿学习、强化学习算法研发，降低相关团队的真实数据采集成本，缩短算法迭代周期；在落地场景层面，除了核心的杂货打包自动化方向，还可延伸至零售前置仓小件分拣打包、餐饮门店餐品封装、药店处方药品打包等同类精细化末端操作场景，为各类服务机器人的双臂操作算法训练提供标准化数据底座。作为AI研发的核心生产要素，高质量实体场景机器人数据集的开放，将进一步推动服务机器人的商业化落地进程，加速零售、本地生活等领域的自动化升级。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)