MoRoOp

MoRoOp（生产物流中自主移动机器人操作数据集）包含来自自主移动机器人（AMR）的72小时操作数据。数据记录于KTH IPU实验室，作为自组织生产物流（SOPL）项目的一部分。当前版本（1.0.0）覆盖连续五个工作日（2026-07-27至2026-07-31），每个工作日分为早班和晚班，共计9个班次。数据按照班次组织，每个班次文件夹中包含五个Parquet文件：jobs（作业级记录，包括载荷、操作定义、生命周期状态、结果、终止原因以及释放、开始、截止、完成和创建时间戳）、operations（操作级记录，通过job_id关联作业，包括状态、结果、载荷、优先级、依赖关系、重试次数、终止原因和时间戳）、dispatch_events（操作调度器事件日志，记录移动机器人上操作管理的事件，包括事件类型、操作ID、作业ID和时间戳）、robot_state_raw（重索引、后处理但未滤波的机器人状态和诊断遥测数据）、robot_state_cleaned（滤波和清洗后的机器人状态和诊断遥测数据，ID与原始数据保留一致，缺失表示已删除记录）。此外还有一个共享的kit目录文件kits.parquet，包含kit_id、color、size和quantity列。该数据集适用于研究自主移动机器人操作调度、状态分析、物流优化等任务。The MoRoOp (Mobile Robot Operations in Production Logistics) dataset contains 72 hours of operational data from Autonomous Mobile Robots (AMRs). The data was recorded in the KTH IPU lab as part of the Self-Organizing Production Logistics (SOPL) project. The current version (1.0.0) covers five consecutive workdays (2026-07-27 to 2026-07-31), each divided into a morning shift and an evening shift, totaling 9 shifts. The data is organized by shift, with each shift folder containing five Parquet files: jobs (job-level records including payload, operation definition, lifecycle status, result, termination reason, and release, start, deadline, completion, and creation timestamps), operations (operation-level records linked by job_id, including status, result, payload, priority, dependencies, retry count, termination reason, and timestamps), dispatch_events (operation scheduler event logs recording events for operation management on mobile robots, including event type, operation ID, job ID, and timestamps), robot_state_raw (re-indexed, post-processed but unfiltered robot state and diagnostic telemetry data), and robot_state_cleaned (filtered and cleaned robot state and diagnostic telemetry data, with IDs consistent with the original data, and missing values indicating deleted records). Additionally, there is a shared kit directory file kits.parquet containing columns for kit_id, color, size, and quantity. This dataset is suitable for research on autonomous mobile robot operation scheduling, state analysis, logistics optimization, and other tasks.

原始信息汇总

MoRoOp：生产物流中自主移动机器人操作数据集

数据集概述

MoRoOp包含来自自主移动机器人（AMR）的72小时运行数据。该数据集在KTH IPU实验室作为自组织生产物流（SOPL）项目的一部分进行记录。当前版本（1.0.0）覆盖2026年7月27日至31日连续五天的数据，按早班和晚班组织。

数据组织方式

data/ 目录包含九个录制的班次文件夹，每个班次文件夹包含五个Parquet格式的数据文件：

• jobs：工作级记录
• operations：操作级记录
• dispatch_events：调度事件日志
• robot_state_raw：原始机器人状态数据
• robot_state_cleaned：清洁后的机器人状态数据

此外，data/kits.parquet 提供共享的工具箱目录，包含 kit_id、color、size 和 quantity 列。

表格详情

表格	内容说明
jobs	工作级记录，包括载荷、操作定义、生命周期状态和结果、终止原因以及释放、开始、截止、完成和创建时间戳
operations	与工作通过 job_id 关联的操作级记录，包括状态、结果、载荷、优先级、依赖项、重试、终止原因和时间戳
dispatch_events	Operation Dispatcher事件日志，追踪移动机器人上的操作管理，包括事件类型、操作ID、工作ID和时间戳
robot_state_raw	重新索引、后处理但未过滤的机器人状态和诊断遥测数据
robot_state_cleaned	过滤并清洁的机器人状态和诊断遥测数据，ID保留自原始数据，间隙标识已删除的记录

班次标识

可用的班次标识包括：2026_07_27_morning、2026_07_27_evening、2026_07_28_morning、2026_07_28_evening、2026_07_29_morning、2026_07_29_evening、2026_07_30_morning、2026_07_31_morning 和 2026_07_31_evening。

使用与获取

• 数据集采用CC-BY-4.0许可证
• 提供用于加载和分析MoRoOp的示例代码及用于复现出版图表的脚本（见MoRoOp数据集工具包）
• 完整数据集可通过Hugging Face Hub使用huggingface-cli download命令下载

搜集汇总

数据集介绍

构建方式

在智能制造与物流自动化日益融合的背景下，MoRoOp数据集应运而生，其构建依托于瑞典皇家理工学院IPU实验室的自主移动机器人（AMR）实际运行环境，作为自组织生产物流（SOPL）项目的重要产出。该数据集精心采集了连续五个工作日（2026年7月27日至31日）共计72小时的操作数据，每日细分为早班与晚班，形成九个班次记录时段。数据组织遵循严格的层级目录结构，每个班次文件夹下统一存放五类数据表：作业（jobs）、操作（operations）、调度事件（dispatch_events）、机器人原始状态（robot_state_raw）及清洗后状态（robot_state_cleaned），均以Parquet格式存储，并辅以共享的套件目录（kits）数据。整套数据通过Hugging Face Hub平台发布，并具备清晰的配置标识与数据切分方案，便于用户按需获取。

使用方法

使用MoRoOp数据集时，研究者可按需选取不同班次或数据表进行针对性分析。该数据集已集成至Hugging Face Hub，用户可通过官方提供的命令行工具便捷下载完整数据至本地目录，或依据配置名称（如'jobs'、'operations'等）与切分标志（如'2026_07_27_morning'）加载特定子集。为便于快速开展研究，项目还提供了配套的MoRoOp数据集工具包，内含数据加载与分析示例脚本，并支持复现论文中的关键图表。这一结构化的数据组织与开放的工具链，使得MoRoOp既可应用于生产物流场景下的调度算法验证、机器人状态预测，亦可用于异常检测与系统优化等深入探究工作。

背景与挑战

背景概述

MoRoOp数据集于2026年由瑞典皇家理工学院（KTH）IPU实验室在自组织生产物流（SOPL）项目框架下创建，旨在记录自主移动机器人（AMR）在生产物流中的真实运行状态。该数据集涵盖了连续五天的72小时运行数据，细分为早晨与傍晚的班次记录，囊括了作业、操作、调度事件及机器人状态等五类核心信息。其核心研究问题聚焦于理解AMR在动态生产环境中的调度策略、操作执行及故障诊断的复杂性，为该领域的人工智能算法和系统优化提供了坚实的数据基石，对生产物流的数字化和智能化研究具有显著的推动作用。

当前挑战

该数据集所应对的挑战主要分布于生产物流和机器人运营两个层面。首先，从生产物流系统来看，调度与执行的核心难题在于需在不稳定的任务到达和多样的作业依赖中实现高效且可靠的操作管理，这要求算法能够精准地把握时序与状态信息。其次，在数据集的构建过程中，收集连续多日、跨班次的AMR多模态数据需要在真实环境中保证传感器的完整性与同步性，同时，原始数据的高噪声与非结构化特性对数据的清洗与校准提出了严苛的要求。清理过程中的记录剔除会留下非连续的ID序列，这也对后续的数据分析与模型验证构成了实质性障碍。

常用场景

经典使用场景

自主移动机器人（AMR）在动态生产物流环境中的运行数据是智能调度与机器人学交叉研究的重要基础。MoRoOp数据集提供了连续五天、72小时的精细化运行记录，涵盖作业、工序、调度事件及机器人状态等多维度信息，为研究真实工业场景下的机器人行为提供了宝贵的实证语料。该数据集经典使用场景聚焦于多智能体任务分配与调度算法验证，以及基于数字孪生的生产物流仿真。科研人员可借助其高时间分辨率的字段，构建预测模型或强化学习环境，用于探讨动态扰动下的鲁棒调度策略，从而在受控实验中复现现实生产环境的复杂性与不确定性。

解决学术问题

在智能制造与运筹学领域，长期缺乏公开、细粒度且包含完整生命周期的AMR运行数据，制约了调度理论的可复现性与实证检验。MoRoOp填补了这一空白，通过提供从作业释放到完成终止的完整生命周期记录，以及含噪原始数据与清洗后数据的对照，解决了研究中的两个关键难题：一是数据真实性，允许学者量化数据预处理对模型性能的影响；二是基准统一性，为对比不同调度算法、故障诊断及预测性维护方法的效能提供了标准数据集。其意义在于推动算法从静态假设走向动态真实场景的适应性研究，促进学术界对闭环调度控制系统的深入理解。

实际应用

在实际生产中，AMR系统的可靠性与效率优化是企业智能制造转型的核心诉求。MoRoOp的数据可应用于故障预警与诊断系统的开发，通过分析机器人状态时间序列中的异常模式，实现设备健康管理。同时，该数据集支持运维策略的优化，例如基于历史作业和调度事件数据，调整任务优先级或机器人路径规划，以减少拥堵和延迟。对于制造执行系统（MES）和仓库管理系统（WMS）的集成测试而言，MoRoOp提供了模拟真实负载的基准负载场景，有助于验证软件在边缘计算或云端环境下的实时调度性能。这些应用直接助力生产车间实现降本增效与智能化升级。

数据集最近研究

最新研究方向

在智能制造与自组织物流系统深度融合的时代浪潮中，MoRoOp数据集以其对自主移动机器人（AMR）72小时连续运行的细粒度记录，为生产物流领域的数字孪生与智能决策研究提供了珍贵的实验基石。该数据集源自KTH IPU实验室的SOPL项目，其时间序列覆盖五天内的早晚双班作业，通过任务、操作、调度事件及机器人本体状态的多维对齐，使研究者得以洞察动态调度、异常恢复与多智能体协同的微观机理。当前前沿方向聚焦于利用此类高保真工业数据训练和验证针对非结构化环境的强化学习模型，推动从规则驱动的集中式控制向数据驱动的分布式自主决策范式跃迁。MoRoOp的发布鲜明地映射了工业界与学术界对可复现、可比较实验平台的迫切渴求，其精细的语义标注与清洗流程为构建可信的物流数字孪生体，以及实现生产系统的自优化与韧性运行铺陈了通达之路，有望催化新一轮智能物流基础设施的理论与工程突破。