随着具身智能产业进入快速落地期，场景化、多模态的高质量训练数据已经成为制约机器人操作能力迭代的核心瓶颈之一。尤其是商超杂货包装、家庭物品整理这类高频民生场景，由于涉及物品形态多样、操作动作精度要求高，对应的标注训练数据集供给一直较为稀缺，成为服务机器人落地该类场景的核心堵点。近日，机器人技术厂商Nodogoro正式发布面向杂货包装任务的专用机器人学数据集cell1_20260523_mohammed_groceries_packing_20260523_214216，该数据集基于LeRobot框架创建，是当前市场上少数聚焦细分具象操作任务的多模态机器人数据集，于2026年5月24日首发上线全球最大的AI模型与数据集社区HuggingFace。
据官方披露信息，该数据集共包含5个完整杂货包装任务流程（episodes），总计3267帧采集数据，整体采集帧率为30fps，结构化数据采用业内通用的parquet格式存储，配套视频采用mp4格式存储，完整覆盖杂货包装全流程的操作数据采集需求。从数据特征维度来看，该数据集涵盖三类核心数据：一是14维动作数据，完整记录双机械臂操作过程中的位置、旋转角度、夹爪宽度等全链路控制参数；二是32维状态观测数据，包含机械臂编码器角度、IMU传感器数据、实时位姿信息等多维度传感数据；三是多视角视觉数据，覆盖左右腕部RGB/深度摄像头、基座摄像头等多个采集点位，图像分辨率覆盖480x640、768x1024两种主流规格，可满足不同精度的视觉训练需求。
从应用价值来看，该数据集可广泛应用于机器人操作学习相关研究与落地训练：在基础研究层面，可直接支撑强化学习、模仿学习等主流机器人学习范式的算法迭代，降低实验室阶段的动作训练成本，减少无意义的探索试错；在商业化落地层面，可为商超自动打包机器人、仓储分拣包装机器人、家庭服务机器人等产品的场景适配训练提供真实数据支撑，大幅缩短仿真环境到真实场景的适配周期；此外，该数据集的多模态特性也可支撑具身大模型的端到端训练，助力多模态大模型与机器人操作能力的融合落地，为数据要素向AI生产力转化提供典型样本。该数据集的发布，也进一步丰富了具身智能领域细分场景的训练数据供给，为降低相关研究与商业化门槛提供了重要支撑。
查看cell1_20260523_mohammed_groceries_packing_20260523_214216
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)