jogarulfop发布10kHz采样多模态触觉机器人数据集 适配机器人操控、模仿学习研发需求

随着具身智能成为人工智能落地的核心赛道之一，高质量、多模态的真实机器人训练数据成为制约研发效率的关键瓶颈——当前多数公开机器人数据集仅覆盖视觉、关节状态数据，缺乏高采样率的触觉感知信息，难以支撑需要精细力控的模仿学习、机器人操控场景的算法训练需求。近日，开发者jogarulfop正式对外发布rollout_2026-09-07_shake4it_bench_5sensors_v3_dgf_passif_10kHz_nfft_512_20260907_150126数据集，该数据集于2026年9月7日首发于HuggingFace平台，是行业内少有的同时覆盖多视角视觉、关节状态、触觉频谱数据的高标注机器人训练数据集。

本次发布的数据集基于HuggingFace开源LeRobot框架构建，该框架是当前全球具身智能领域应用最广泛的机器人数据生产、模型训练工具链之一，可实现机器人感知数据的同步采集、自动标注与标准化输出，保障了数据集的兼容性与标注准确性。公开信息显示，该数据集共包含4个任务episode、2684帧同步标注数据，对应1项机器人操作任务，采集载体为so101_follower_dragontactile型号机器人，标配高灵敏度触觉传感器，可实现10kHz频率的触觉信号采集。数据集的标注维度覆盖6维动作参数、关节位置状态数据，同时同步采集了机器人顶部摄像头、手腕摄像头的实时画面，以及经过处理的224x224x3规格触觉频谱图图像，所有视频素材均采用30fps帧率录制、AV1编码，在保障画质的同时大幅降低了数据集的存储成本，方便开发者快速下载调用。

从应用价值来看，该数据集可广泛应用于机器人操控、模仿学习两大核心具身智能研发场景：在模仿学习领域，多模态同步数据可支撑开发者训练基于人类演示的动作复刻模型，结合触觉频谱数据的反馈，可实现工业精密装配、服务机器人柔性抓取等需要精细力控的任务训练，解决纯视觉训练普遍存在的力度不当、物体打滑等问题；在机器人操控领域，该数据集可用于端到端操控算法的训练与验证，手腕摄像头、触觉数据的组合可覆盖机器人操作的视觉盲区，提升动态场景下机器人操控的鲁棒性与稳定性；此外，10kHz采样的触觉频谱数据也可作为触觉信号处理算法的基准测试数据集，支撑触觉感知技术的迭代优化。

从行业价值来看，本次数据集的发布进一步丰富了具身智能领域的高价值公开训练数据供给，可有效降低中小研发团队的数据集采集与标注成本，对推动模仿学习、触觉感知等前沿技术的落地应用，加快具身智能产业的商业化进程具有积极意义。

查看rollout_2026-09-07_shake4it_bench_5sensors_v3_dgf_passif_10kHz_nfft_512_20260907_150126

Dataset card内容：

Files and versions内容：