外观
路线对照国家数据局5 天前
具身数据路线横评：真机遥操作、人类第一视角视频与物理仿真合成数据
基于站内收录的 Open X-Embodiment、DROID、AgiBot World、Isaac Lab 与 Maxinsights 公开数据，横向对比真机遥操作、人类第一视角（Egocentric）视频与物理仿真合成数据的单小时成本、采集吞吐、模态精度与 Sim-to-Real 迁移边界。
智元精灵 G2
Franka FR3
松灵 PiPERπ0 (openpi)Isaac GR00T N1.7smolvla_base
三类数据路线的工程指标与代表项目对比
具身智能模型（VLA 与世界模型）的泛化能力高度受限于训练数据的规模与分布。当前行业已分化为三条主干路线：真机同构/VR遥操作（代表：AGIBOT WORLD 2026、DROID）、人类第一视角（Egocentric）视频规模化采集（代表：Maxinsights 200 万小时语料、EgoScale），以及GPU 并行物理仿真与合成数据扩增（代表：Isaac Lab + Cosmos）。
| 对比维度 | 真机遥操作采集 (teleop) | 人类第一视角视频 (human_video) | 物理仿真合成数据 (sim) |
|---|---|---|---|
| 代表数据集 / 平台 | AGIBOT WORLD 2026（100万+原子轨迹 / 850TB）、DROID（7.6万条 / 350h）、Open X-Embodiment | Maxinsights（累计交付 200万+ 小时，月产能 45万小时）、GR00T N1.7 预训练用 20K 小时 EgoScale | Isaac Lab（单卡 4096 并行环境）、RoboCasa、MuJoCo 域随机化合成管线 |
| 动作真值与本体对齐 | 原生对齐：直接记录目标机器人的关节角、末端 6D 位姿、电机扭矩与夹爪开合，无跨本体运动学映射损失 | 需 SLAM 与手部重定向：依赖视觉 SLAM（如 MaxSLAM 位置误差 4.24mm、姿态误差 0.57°）与人手到夹爪/灵巧手的运动学重定向 | 解析真值：仿真器直接输出无噪声状态、碰撞力与特权信息（Privileged Info），但受限于接触物理建模精度 |
| 扩张吞吐与边际成本 | 重资产线性扩张：需自建真机采集工厂（如智元 2000㎡ 场地、数百台真机与操作员三班倒），边际硬件折旧与人力成本最高 | 轻硬件指数扩张：仅需头戴式相机与手部追踪标注，可铺入全球 2000+ 真实环境、50000+ 场景，采集成本较真机低 1~2 个数量级 | 算力驱动零边际人力：仅消耗 GPU 云算力，可在数小时内生成百万级光照、纹理与初始位姿随机化轨迹 |
| 核心短板与失效边界 | 场地与场景长尾覆盖有限；不同操作员的速度、犹豫与演示习惯会引入多峰分布噪声 | 缺乏真实关节力矩与接触动力学反馈；人类手部动作无法直接等价于机器人的动力学可行轨迹 | 柔性物体（布料/液体）、精密螺纹啮合与非结构化表面摩擦存在显著 Sim-to-Real Gap |
路线一：真机遥操作与采集工厂（以本体精度换取策略闭环）
真机遥操作直接保留真实接触摩擦、电机响应延迟与传感器噪声，是当前训练可执行动作头（Action Expert）不可替代的微调真值：
- 百万轨迹工厂化模式：以 智元精灵 G2 支撑的 AGIBOT WORLD 2026 为例，在约 2000 平方米自建场景中覆盖家居、工业、商超、办公 217 个任务、3000+ 种物体，两个月内采集超 100 万条原子动作轨迹（总数据量 850 TB），并专门保留失败与纠偏（Recovery）轨迹。
- 低成本同构机械臂模式：社区基于 LeRobot 与 松灵 PiPER / SO-100 主从臂，通过 50~200 条任务特定真机演示，即可在单张消费级显卡上微调 π0 (openpi) 或 smolvla_base 跑通桌面抓取闭环。
路线二：人类第一视角（Egocentric）视频（先验认知与动作预训练基座）
当模型参数量迈向 3B~7B 时，仅靠数千小时真机数据极易发生视觉过拟合。第一视角人类视频正在成为具身大模型的「预训练语料库」：
- 千万小时级长尾场景覆盖：人类佩戴第一视角相机无需昂贵机器人本体即可进入真实家庭与车间。例如硅谷数据商 Maxinsights 已向头部模型商交付超 200 万小时 Egocentric 数据（其中 150 万小时带手部追踪与语言标注），月采集产能达 45 万小时。
- 预训练 Scaling Law 验证：Isaac GR00T N1.7 在预训练阶段混入 20K 小时 EgoScale 人类视频数据；Dyna-2 模型引入 100 万小时人类视频预训练后动作预测均方误差（MSE）降低约 12%，显著减少下游真机微调所需的演示条数（部分长程任务微调需求压缩至 1 小时以内）。
路线三：物理仿真与世界模型合成（强化学习与轨迹倍增器）
仿真数据在全身运动控制（Locomotion）与少量真机种子轨迹扩增两个环节具备决定性优势：
- 全身运控与多指 RL 训练：如宇树 Unitree G1 的步态控制与多指灵巧手操作，依赖 Isaac Lab 在单 GPU 上并行运行 4096 至 49152 个物理环境，通过域随机化（Domain Randomization）遍历质量、摩擦系数与外力扰动，再零样本迁移至 MuJoCo 与真机。
- 神经轨迹扩增（Cosmos / MimicGen）：先采集数十条真机种子轨迹，再利用物理引擎或视频世界模型对背景、光照、干扰物位置做组合爆炸式扩增，将有效训练样本放大 10~100 倍。
工程选型建议：按研发阶段配置「数据配比金字塔」
- 基座预训练阶段（VLM / World Model 骨干）：优先采用 70% 人类第一视角视频 + 20% 仿真合成轨迹 + 10% 多本体开源真机数据（如 Open X-Embodiment），低成本获取跨场景语义理解与 3D 空间物理直觉。
- 本体对齐与后训练阶段（Post-Training）：必须使用目标机型的高质量真机遥操作数据（配合 1:3 左右的同构仿真合成扩增数据），对齐特定相机内参、腕部视角与关节动作空间。
- 部署闭环与长尾修复阶段（DAgger / Recovery）：针对真机执行中暴露的卡死、滑落与越界状态，定向采集包含**「人工接管与纠偏过程」**的短片段真机数据（如 LA-33K-V 原子动作分段模式），避免盲目堆砌同质化的成功轨迹。
来源
本页事实对应的公开页面，以原文为准。
- 国家数据局：具身智能领域百万真机高质量数据集访问 2026-10-23
- 量子位：谁在给OpenAI供应具身数据？访问 2026-10-23