adharshvenkat在HuggingFace首发箱体抓取专用数据集 助力机器人模仿学习与策略训练

近年来，随着工业自动化、人形机器人商业化进程持续加速，抓取、放置操作作为机器人在工业分拣、物流拆码垛、家庭服务等场景的核心基础能力，其算法研发对真实场景下的高标注质量数据集需求激增。但当前公开市场中，面向细分抓取任务的实体机器人采集数据集供给相对稀缺，仿真生成数据与真实物理场景的偏差往往会导致模型落地性能不足，成为制约机器人抓取算法迭代的核心瓶颈之一。

近日，开发者adharshvenkat于2026年9月6日在HuggingFace平台正式上线rollout_pick_place_bin_20260906_215639专用数据集，聚焦工业与服务场景中最常见的“将物体放入箱体”抓取放置任务，为行业提供了一套标注维度完整、适配主流训练框架的真实场景训练数据源。

据介绍，该数据集基于HuggingFace旗下开源机器人学习框架LeRobot采集，采集载体为so_follower实体机器人，共覆盖10个完整任务轮次（episodes），累计包含8884帧有效标注数据。每个样本同步标注多维度信息：6维机器人关节动作数据（涵盖shoulder_pan、shoulder_lift、elbow_flex、wrist_flex、wrist_roll、gripper六大关节控制参数）与6维关节状态数据，可直接支撑端到端运动控制模型训练，无需额外进行运动学转换；正面摄像头采集的480x640分辨率、30fps的AV1编码视频，在保证视觉识别所需清晰度的同时，通过高压缩比编码降低了数据集存储与传输成本；配套的时间戳、帧索引、episode索引和任务索引字段，可帮助研发人员快速筛选不同任务阶段的样本，大幅提升数据调用效率。数据集的结构化标注内容采用Parquet列式存储格式，适配大数据场景下的快速查询需求，视频内容采用通用MP4格式，可兼容绝大多数主流机器人学习训练框架。

从应用场景来看，该数据集可广泛应用于多领域的机器人技术研发：在工业场景中，可支撑3C、食品医药等行业产线分拣机器人的抓取放置策略训练，优化不同规格工件、产品的入箱操作准确率；在物流与服务场景中，可为拆码垛机器人、家庭服务机器人的物品收纳、整理功能研发提供训练数据；在前沿技术研究领域，可作为机器人模仿学习、少样本视觉-运动控制算法的验证基准，助力相关技术的迭代升级。

业内人士指出，机器人领域的实体采集标注数据集属于高价值数据要素，本次数据集的公开上线，一方面填补了“物体入箱”细分抓取任务的公开数据集供给缺口，降低了中小研发团队的训练数据采集成本；另一方面也为行业统一抓取类算法的评测基准提供了参考，对推动机器人操作技能的通用化落地具有积极意义。

查看rollout_pick_place_bin_20260906_215639

Dataset card内容：

Files and versions内容：