多伦多大学联合Vector Institute发布SeededGrasp多体桌面抓取数据集 填补多末端机器人复杂场景训练空白

近年来随着具身智能产业的快速升温，机器人通用抓取能力成为制约工业柔性生产、服务机器人落地的核心技术瓶颈，而现有公开抓取数据集大多存在适配夹爪类型单一、场景复杂度不足等问题，难以支撑多末端执行器在真实杂乱场景下的泛化训练需求。在此背景下，加拿大多伦多大学联合Vector Institute（加拿大顶尖人工智能研究机构，长期聚焦机器人、机器学习领域前沿技术攻关）于2026年7月22日在预印本平台arXiv首发了Multi-Embodiment Tabletop Grasping Dataset（简称SeededGrasp数据集），这也是全球首个针对多末端执行器的桌面抓取专项数据集，专门面向复杂杂乱场景中的机器人抓取任务设计。

据公开信息，SeededGrasp数据集规模达256万个标注抓取姿态，覆盖610种典型桌面杂乱场景、334个不同形态的物体对象，同时适配Franka Panda、Robotiq 3-Finger和Allegro三款全球科研与工业领域应用最广泛的机器人夹爪，可覆盖绝大多数通用抓取场景的设备适配需求。该数据集通过合成生成流程从MultiGripperGrasp数据集转化而来，创建过程采用物理仿真与启发式碰撞检测相结合的技术方案，既保证了所有标注抓取姿态的物理可行性，又将稳定抓取姿态批量适配到桌面杂乱场景中，同时生成2048点云作为标准化场景表示，大幅降低了相关研发团队的数据采集与标注成本。

按照官方披露的信息，该数据集主要面向多模态机器人抓取研究领域，核心目标是解决语言引导的多末端执行器抓取在复杂场景中的泛化问题，为分离语义推理与几何执行的新型技术框架提供训练数据基础。从产业应用角度来看，SeededGrasp数据集可支撑多个领域的技术研发：在工业柔性生产场景中，可用于训练3C制造、物流分拣环节的多末端分拣机器人，提升其对散件、混件的抓取准确率与适配效率；在服务机器人场景中，可为家庭服务机器人、餐饮服务机器人的桌面物品整理、物件传递功能提供训练支撑，降低其在非结构化家庭、餐饮场景中的抓取失误率；在人机协作场景中，可助力协作机器人快速识别复杂工作桌面环境，根据任务需求自动选择最优夹爪与抓取路径，提升人机配合效率。

作为具身智能领域最新的公共数据集成果，SeededGrasp的发布填补了多末端执行器复杂场景抓取训练数据的空白，对于推动通用机器人操作技术落地、加快具身智能大模型的训练迭代都具有重要支撑作用，也进一步凸显了高质量标注数据集作为人工智能领域核心生产要素的价值。

查看Multi-Embodiment Tabletop Grasping Dataset (SeededGrasp dataset)

详情页内容：