当前，通用服务机器人、人形机器人正处于商业化落地的关键攻坚阶段，模仿学习作为提升机器人末端操作泛化能力的核心技术路径，其算法迭代高度依赖真实物理场景下的多模态标注训练数据。但长期以来，面向杂货打包等日常高频消费场景的专用操作数据集供给相对稀缺，相关研发团队往往需要投入较高成本自行完成数据采集、标注与校准工作，一定程度上制约了技术迭代效率。
近期，机器人领域研发主体Nodogoro正式对外发布杂货打包场景双机械臂操作数据集cell1_20260523_mohammed_groceries_packing_20260523_215039，该数据集是基于LeRobot框架打造的专用机器人操作数据集，于2026年5月24日首发于HuggingFace平台。
据介绍，该数据集共包含5个任务序列（episodes）与2958帧有效标注数据，完整记录了starpilot_yam_gripper型双机械臂完成杂货打包全流程的动作与状态信息：其中涵盖每个机械臂的位置、旋转、夹爪宽度等14维动作数据，以及编码器角度、IMU测量值、位姿、夹爪状态等32维状态数据，可充分满足双机械臂协同控制算法的训练需求。此外，数据集同步提供多摄像头多模态观测数据，包括左右腕部摄像头的RGB图像与深度图像（分辨率均为480x640）、两个基座摄像头的RGB图像（分辨率分别为480x640和768x1024），所有视频数据均以30fps帧率采集，无音频通道，同时配套了时间戳、帧索引、episode索引等完整元数据，整体标注精度与数据丰富度可覆盖多数机器人学习与控制研究的需求。
从潜在应用场景来看，该数据集可广泛适配多个机器人研发方向：在模仿学习领域，研发人员可基于数据集记录的标准化操作流程训练机械臂的打包策略，优化不同形态、重量、易碎度货品的摆放逻辑，提升打包效率与货品安全性；在机器人操作控制研发领域，多维度的动作、状态数据可用于验证双机械臂协同控制算法、末端夹爪力控策略的稳定性；而多视角的视觉与深度数据，也可用于机器人视觉定位、环境感知算法的训练与调优。未来该类数据集的持续迭代拓展，还可支撑无人零售自动打包、仓储分拣末端操作、家庭服务机器人物品整理等多个商业化场景的技术研发。
在数据要素向垂直产业场景深度渗透的当下，产业级训练数据集的开放共享正在成为人工智能、机器人等硬科技领域技术创新的重要公共支撑。本次Nodogoro发布的细分场景专用数据集，进一步丰富了机器人操作领域的公开数据供给，可有效降低中小研发团队的数据获取门槛，加快相关技术的落地验证节奏，对推动通用服务机器人的商业化进程具备积极作用。
查看cell1_20260523_mohammed_groceries_packing_20260523_215039
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)