azorematter发布机械臂抓取专用标注数据集 支撑机器人模仿学习、工业柔性作业算法迭代

当前，机器人模仿学习技术已经成为降低工业机器人编程门槛、提升产线柔性作业能力的核心技术路径，而高匹配度、高标注质量的真实场景数据集，是支撑算法快速迭代、降低研发成本的核心基础。近日，工业数据服务商azorematter正式推出针对小物件抓取场景的专用数据集dice_white_pnp_und_sf_500_b03，为相关领域的研发团队提供标准化的训练数据支撑。

本次发布的数据集为FANUC CRX-5iA机器人拾取并放置骰子的演示数据集，由脚本控制的伺服系统（白色块收集器）在标准操作单元中全程记录，仅在收集器确认骰子正确放置在块上后才保存对应片段，确保所有样本的有效性。数据集共包含481个有效作业片段，总帧数达677296帧，采集帧率为30fps，同步部署了夹爪视角、cam0、cam1、cam2共4个摄像头，分辨率统一为640x480，且所有帧已采用出厂镜头标定完成去畸变处理（模式keep），研发团队可直接调用无需额外做基础预处理。

值得关注的是，该数据集为每个片段匹配了13个维度的状态和动作数据，覆盖6个关节角度、6个工具位姿（位置和欧拉角）以及夹爪开合值，且所有动作均标注为绝对目标值（即下一帧的状态），可直接适配行为克隆、逆强化学习等主流模仿学习算法的训练需求，大幅降低研发团队的数据标注成本。

从应用方向来看，该数据集除了可直接用于机器人模仿学习算法训练、机械臂抓取与放置技术验证外，也可延伸应用于3C电子行业微小零部件装配、物流仓储小件分拣、食品医药行业轻量物料搬运等场景的算法预训练，还可作为多视角机器人视觉定位、空间姿态预测等技术的验证基准数据集。

随着全球制造业柔性升级进程加快，工业机器人的场景适配需求持续攀升，高质量训练数据集的供给已经成为制约工业智能技术落地的核心瓶颈之一。本次azorematter发布的专项数据集，进一步丰富了工业机器人领域的细分场景数据供给，也为工业数据集的标准化采集、标注流程提供了参考样本，对推动数据要素在智能制造领域的落地应用具有积极意义。

查看dice_white_pnp_und_sf_500_b03

Dataset card内容：

Files and versions内容：