azorematter发布协作机器人拾放场景专用数据集 为工业机器人精密操作研发提供标准化数据支撑

随着工业数字化转型持续推进，协作机器人凭借高灵活性、高安全性的特点，正在成为3C电子、精密组装、物流分拣等场景的核心生产力工具。其中小部件精密拾放是协作机器人落地最广泛的场景之一，但此前行业内缺乏基于真实工业机器人采集、带完整关节位姿与多视角视觉标注的标准化训练数据集，成为制约拾放算法精度、泛化性提升的核心瓶颈。

azorematter本次发布的dice_white_pnp_und_sf_500_b04数据集，为FANUC CRX-5iA协作机器人骰子拾放作业场景的专属标注数据集，由脚本化伺服系统在标准化工业单元中采集生成，数据质量完全符合工业级训练数据要求。该数据集共包含255个完整作业片段，总帧数达363835帧，采集帧率为30fps，同步部署了4路采集摄像头（分别为夹爪视角gripper、全局视角cam0、cam1、cam2），单帧分辨率为640x480，所有图像帧均已通过工厂镜头校准重映射完成去畸变处理，可直接用于视觉算法训练。本次采集的标准作业任务为拾取骰子并将其精准放置在空白白色积木上，覆盖了拾放作业从识别、定位、抓取到移动、放置的全流程。数据集同步配套了13维状态与动作向量标注，具体包含J1至J6共6个关节的实时角度、以机器人基座为原点的世界坐标系下工具尖端X/Y/Z坐标（单位：毫米）、工具W/P/R三个维度的欧拉角（单位：度）、以及gripper夹爪开度数据（1.0为完全打开，0.0为完全闭合），所有动作标注均为下一帧的绝对目标值，可直接用于端到端控制模型的训练。

从应用场景来看，该数据集可广泛覆盖协作机器人研发的多个核心方向：一是可用于拾放任务的视觉识别算法优化，多视角同步采集的图像数据能够帮助研发团队提升复杂场景下小部件的识别准确率、定位精度，降低遮挡、反光等干扰因素对视觉系统的影响；二是可用于机器人运动控制算法训练，完整的关节角度、工具位姿标注数据，能够支撑从感知输入到动作输出的全链路控制模型开发，优化拾放动作的流畅度与完成效率；三是可用于协作机器人的安全策略迭代，依托真实作业流程的完整数据，研发团队可测试不同动作路径下的安全边界，优化人机共线场景下的动态避让逻辑。

在当前数据要素成为人工智能研发核心生产力的背景下，该数据集的上线进一步丰富了工业机器人领域的开源高质量数据资源，有效降低了中小研发团队、高校科研机构的训练数据采集成本，对加速协作机器人在精密组装、3C制造、物流分拣等场景的落地进度，推动工业机器人行业的技术迭代有着重要意义。

查看dice_white_pnp_und_sf_500_b04

Dataset card内容：

Files and versions内容：