lenawngr发布SWITCH-2-bottom_clean机器人数据集 为具身智能模仿学习提供标准化训练支撑

当前具身智能产业正处于技术落地攻坚期，机器人模仿学习、行为克隆作为降低机器人训练成本、提升复杂场景适配能力的核心技术路径，长期面临高质量标注的视觉-动作对齐数据集供给不足的痛点——现有多数公开数据集要么传感器维度单一、要么动作标注颗粒度不足，难以满足端到端具身智能算法的训练需求。近日，开发者lenawngr正式对外发布SWITCH-2-bottom_clean机器人专用数据集，该数据集于2026年8月21日率先登陆HuggingFace平台开放获取，为机器人模仿学习领域提供了全新的标准化数据资源。

本次发布的SWITCH-2-bottom_clean是基于LeRobot框架构建的专业机器人数据集，LeRobot作为HuggingFace推出的专为机器人学习领域打造的开源工具栈，具备统一的数据格式规范，基于该框架生成的数据集可直接适配主流机器人学习算法框架，大幅降低开发者的数据预处理成本。该数据集共包含60个任务片段，总计14867帧标注数据，覆盖1项核心操作任务，标注维度覆盖机器人全链路运行信息：包含6维动作数据、6维状态数据，同步采集了夹爪视角、顶部视角两个关键位置的视觉图像，分辨率为480×640，采用30fps采样率和AV1高效编码格式，兼顾了数据精度与存储效率，同时配套完整的时间戳、帧索引等元数据，可实现视觉信号与机器人动作、状态数据的毫秒级精准对齐。该数据集适配的机器人类型为so_follower机械臂，可直接用于同类型机械臂的模仿学习、行为克隆训练任务。

从应用价值来看，该数据集可广泛应用于多个具身智能研发的典型场景：一是工业级机械臂的精细操作训练，例如电子元器件组装、小件物料分拣等场景的动作克隆，通过对齐的视觉-动作数据，算法可快速学习标准化操作的动作逻辑，大幅降低现场调试成本；二是具身智能多模态算法的效果验证，双视角的视觉数据+全维度的动作状态标注，可用于验证视觉伺服、端到端动作生成等算法的精度与稳定性；三是机器人学习领域的学术研究，标准化的数据集结构可降低不同研究团队的实验对比门槛，推动相关算法的开源协作与技术迭代。

作为AI产业发展的核心生产要素，垂直领域的高质量标注数据集是推动细分赛道技术突破的关键底座，本次SWITCH-2-bottom_clean数据集的开放，进一步丰富了机器人视觉-动作类公开数据集的供给，无论是对创业团队降低具身智能研发门槛，还是对学术机构开展相关领域研究，都具备较高的实用价值。

查看SWITCH-2-bottom_clean

Dataset card内容：

Files and versions内容：