具身智能数据采集方案 - 机器人运动控制主要使用强化学习训练 机械臂操作任务通常采用模仿学习方式 数据采集是核心环节 直接影响模型性能[3] - 遥操采集依赖本体 成本较高 但前后处理简单 数据质量最高[4] - 开放场景采集不依赖本体 成本低 可映射多本体 但存在数据与真实部署差距 传感器信息可能不全[5] - 合成数据不依赖本体 成本低 需搭建仿真环境 需处理sim2real和real2sim问题[6] - 互联网数据不依赖本体 采集成本低 但清洗成本高 可能引入不稳定因素[8] 机器人采集实施方案 - Optimus采用VR遥操加动捕手套 操作员通过VR眼镜与机器人视野对齐 动捕手套捕捉手指动作映射到灵巧手[9] - ALOHA/Mobile ALOHA采用同构映射数据采集方案 成本较高[10] - 工业界主流选择遥操方案 因商业阶段尚未到降本增效时 遥操数据质量最高且成本可接受[12] - 遥操系统可反哺机器人本体设计 通过人类操作反馈改进硬件设计[12] - 遥操系统可辅助机器人进入危险作业场景 类似特斯拉影子模式 用有效数据反哺模型[12] - 特斯拉人形机器人本体完成度高 规模生产统一程度高 已具备相关条件[13] 学术研究进展 - Data Scaling Laws in Imitation Learning for Robotic Manipulation研究模仿学习中的数据缩放规律[12] - RDT-1B成为双手操作的扩散基础模型[12] - RH20T提供学习多样化单次技能的综合机器人数据集[12] - RoboMIND建立多体现智能规范性数据基准[12]