当前服务机器人在零售、仓储等民生场景的落地节奏持续加快，其中杂货打包作为电商末端、前置仓、线下商超的高频劳动密集型环节，对自动化作业方案的需求日益迫切。而机器人在非结构化的打包场景下的算法训练，高度依赖贴近真实作业环境的高质量标注数据集，细分场景数据集的供给不足，已成为制约相关方案落地效率的核心瓶颈之一。近期nodogoro正式发布的杂货打包场景专属机器人操作数据集cell1_20260523_mohammed_groceries_packing_20260523_224045，正是瞄准这一行业需求推出的基础资源产品。
该数据集是专门面向机器人学习任务设计的垂直场景数据集，采用LeRobot平台创建，包含5个完整的作业情节，总计3382帧数据，采集速率为30帧/秒，采集所用机器人为starpilot_yam_gripper双臂机器人，完整还原了真实杂货打包场景的作业流程。数据集结构覆盖三类核心数据维度：动作数据为14维向量，可精准对应两个机械臂的x、y、z位置，rx、ry、rz旋转角度以及夹爪宽度控制参数；状态观测数据为32维向量，包含两个机械臂的编码器角度、IMU加速度和角速度、位姿（位置和四元数）、夹爪开合状态和距离等核心运行参数；多视角视觉数据则覆盖左腕、右腕和基座三个采集点位，包含对应摄像头拍摄的RGB图像和深度图像视频，分辨率分别为480x640和768x1024，可完整还原作业场景的空间信息。所有数据以Parquet格式存储，并附带MP4视频文件，可直接适配机器人控制、模仿学习或强化学习等多类研发场景的使用需求。
从应用价值来看，该数据集可支撑多个方向的技术研发：一是用于双臂机器人打包动作的模仿学习训练，帮助算法模型快速掌握不同品类杂货的抓取、摆放、装袋逻辑，降低易碎品、易变形商品的作业破损率；二是支撑强化学习算法的迭代优化，完善机器人在复杂作业环境下的避障策略、夹爪力度控制逻辑，提升整体打包效率；三是可为零售、仓储领域的自动化打包方案提供标准化测试基准，降低中小研发团队的场景数据采集成本，缩短方案落地周期。从行业层面来看，该细分场景数据集的开放，也为服务机器人在非结构化民生场景的落地提供了新的基础资源支撑，有助于推动数据要素在智能制造、智慧零售领域的价值转化，加快实体零售环节的自动化升级步伐。
查看cell1_20260523_mohammed_groceries_packing_20260523_224045
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)