随着具身智能产业进入商用落地关键期，真实物理场景的高质量标注训练数据已成为制约服务机器人精细化操作能力提升的核心瓶颈。其中商超、无人零售等场景下的杂货装袋任务，涉及不同材质、重量、易碎属性的商品分类摆放逻辑，对机械臂的力控精度、路径规划、场景理解能力要求极高，对应的专用训练数据长期存在供给缺口。作为HuggingFace面向机器人领域推出的标准化数据集格式，LeRobot统一了多模态机器人数据的存储与调用规范，可大幅降低开发者的数据集适配成本，已成为全球具身AI研发领域的主流数据标准之一。
nodogoro本次发布的数据集cell1_20260524_mohamed-salah_grocery_bagging_cycle_20260524_090809，该数据集为HuggingFace LeRobot格式机器人数据集。
查看cell1_20260524_mohamed-salah_grocery_bagging_cycle_20260524_090809
Dataset card内容：
从公开的数据集卡片信息来看，本次发布的数据集覆盖了杂货装袋全操作周期的多模态数据，包含机械臂运动位姿、力控反馈参数、第一视角与第三视角视觉感知帧、不同品类杂货的摆放操作标注等核心内容，完整还原了真实零售场景下杂货装袋任务的全流程交互逻辑。
Files and versions内容：
该数据集可广泛应用于多个具身智能研发场景：一是零售服务机器人领域，可用于训练商超无人结算台、无人便利店的自动装袋机器人，优化不同属性商品的摆放策略，比如易碎品、轻放商品置于上层，重物、耐压商品置于下层，在提升装袋效率的同时降低商品损耗率；二是机器人操作控制算法研发领域，数据集包含的真实力控与运动数据可用于优化机械臂的精细化操作能力，相关训练成果可迁移至家庭服务、物流分拣、仓储盘点等更多需要精细操作的商用场景；三是具身大模型训练领域，多模态的真实物理世界交互数据可帮助提升具身大模型对实体物品属性、操作逻辑的理解能力，降低通用具身模型落地零售场景的适配成本。
当前我国数据要素市场建设持续推进，垂直场景的高质量AI训练数据作为核心生产要素的价值愈发凸显。本次Nodogoro发布的标准化杂货装袋场景机器人数据集，一方面填补了零售末端自动化场景专用训练数据的供给空白，另一方面采用行业通用的LeRobot格式，进一步降低了中小研发团队的数据集使用门槛，对推动具身AI技术从实验室走向商用落地、加快服务机器人在零售等民生场景的规模化普及具有重要的行业价值。
_1769672084863.jpg)