DaoyuanZhu于HuggingFace首发wb_add_push_cart数据集 填补人形机器人推车交互场景训练数据缺口

当前，具身智能已成为全球AI领域的核心发力赛道，人形机器人作为具身智能的核心载体，其商业化落地高度依赖场景化、高质量的标注训练数据。而从现有公开数据集供给来看，覆盖基础行走、物品抓取等通用场景的数据集较多，针对人机协同推车这类垂直交互场景的专用训练数据仍存在明显缺口，成为制约相关场景算法迭代的核心瓶颈之一。

近日，开发者DaoyuanZhu正式在HuggingFace平台首发wb_add_push_cart专用数据集，精准瞄准人形机器人全身遥操作、推车交互任务的训练需求。据介绍，该数据集所有数据均来自Unitree G1全身RGB人形机器人的真实遥操作采集，采用具身机器人领域通用的LeRobot v2.1格式发布，开发者可直接对接主流具身智能训练框架，无需额外进行格式适配。

本次发布的数据集围绕“人机协同推车”核心场景设计任务逻辑：机器人执行推车行进任务时，识别到操作人员举手动作立即停止推进，识别到再次挥手动作则恢复行进，完全贴合工业物流搬运、公共服务场景载物推送等真实落地场景的交互需求。数据集共包含27个完整任务片段（episodes），对应30fps采样率下的16612帧有效数据，总时长约9分钟；搭载2路分辨率为640x480的H264编码摄像头同步采集视觉数据，配套的机器人全身状态、动作指令均为43维关节向量，覆盖所有运动控制维度。

为适配不同类型机器人的训练需求，数据集设置了两个独立分支：main分支将手部状态统一设为零，适配未搭载灵巧手的通用人形机器人的基础推车任务训练；real_inspair分支则搭载了Inspire灵巧手的真实估计状态数据，包含二进制开合触发信号，可支持搭载灵巧手的高阶人形机器人完成复杂交互场景的训练。此外，数据集还额外提供了MediaPipe手部关键点标注、RTMO身体姿态标注信息，大幅降低开发者的数据预处理成本，缩短算法迭代周期。

从应用价值来看，该数据集可广泛应用于人形机器人全身运动控制算法调试、遥操作系统响应逻辑优化、人机视觉指令识别模型训练等多个方向，也可为工业、服务场景下的推车作业人形机器人的落地研发提供核心数据支撑。查看wb_add_push_cart

Dataset card内容：

Files and versions内容：