当前，具身智能已成为全球AI产业落地的核心赛道，而服务机器人、工业多臂机器人的末端精细操作能力，一直是制约其商业化规模化落地的核心瓶颈。作为支撑机器人模仿学习、强化学习算法迭代的核心生产要素，场景化、多模态的真实操作训练数据供给不足，是当前行业普遍面临的研发痛点。近日，机器人技术研发商nodogoro正式发布双机械臂杂货装袋操作数据集（文件编号：cell1_20260524_mohamed-salah_grocery_bagging_cycle_20260524_111558），该数据集基于LeRobot框架创建，于2026年5月25日首发于全球最大的AI开源社区HuggingFace，专门面向机器人学习任务的研发需求。
本次公开的数据集记录了starpilot_yam_gripper双机械臂系统执行杂货装袋任务的完整操作过程，共包含5个完整的训练片段（episodes），总计2051帧30fps采样数据，覆盖动作、状态观测、多视角视觉三类核心数据维度：其一为14维浮点向量格式的动作数据，可映射两个机械臂末端执行器的6自由度位姿（x/y/z坐标、rx/ry/rz旋转角度）及抓取宽度参数，可直接用于算法动作输出模块的训练；其二为32维浮点向量格式的状态观测数据，涵盖双机械臂的关节编码器角度、IMU加速度及角速度、末端执行器位姿（位置+四元数）、夹爪开合状态及距离等全链路运行参数，能够为算法提供真实的硬件反馈参考，有效降低仿真环境到真实场景的模型迁移误差；其三为多视角视觉数据，同时包含左腕、右腕腕部摄像头（分辨率480x640）及基座全局摄像头（分辨率768x1024）的RGB图像与深度图像数据，可满足多模态感知算法、视觉伺服控制算法的训练需求。所有数据采用适合AI训练场景的Parquet格式存储，具备压缩效率高、结构化查询便捷的优势，总大小约300MB（数据文件100MB，视频文件200MB），轻量化特征大幅降低了中小研发团队的使用门槛。
从应用价值来看，该数据集可广泛适配机器人模仿学习、强化学习等研究方向：在民用场景中，可用于训练商超自助结账机器人、家庭服务机器人的物品分拣、装袋操作能力，解决不同形状、材质物品的精细化抓取与摆放难题；在工业场景中，可支撑双机械臂协同控制算法的验证与迭代，为3C装配、精密制造、仓储分拣等场景的多臂机器人研发提供训练样本；此外，数据集的多模态特性也可用于具身智能大模型的微调，提升大模型对真实物理操作场景的理解与决策能力。本次数据集的公开，进一步丰富了具身智能领域生活化操作场景的公开数据供给，为高校、科研机构及科技企业的机器人技术研发提供了低成本的优质数据支撑，对推动机器人操作算法的开源创新、加快具身智能技术的落地进程具有积极作用。
查看cell1_20260524_mohamed-salah_grocery_bagging_cycle_20260524_111558
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)