具身智能数据行业分析报告：AI时代的石油.pdf

具身智能数据行业分析报告：AI时代的石油。数据是推动具身智能技术快速突破和落地应用的关键。借鉴自动驾驶汽车发展的路径，数据对于具身智能同样至关重要。优质的数据集能够驱 动智能体感知与理解环境，能够加速具身智能模型的训练与部署，帮助机器人有效完成复杂任务。不同于大语言模型可以使用互联网海量信息 作为训练数据，机器人所用的具身智能模型没有现成数据可以使用，需要投入大量时间和资源进行机器人操作实践或仿真模拟，以收集视觉、 触觉、力觉、运动轨迹以及机器人本体状态等多源异构数据。符合通用标准、得到验证的数据集成为具身智能行业的刚需。当前具身智能本体 形态多种多样，应用场景千差万别，对于具身智能训练数据的需求也更为多元。目前业内仍有部分数据集主要聚焦在特定机器人、特定场景和 特定技能等方面，在整体通用性上有待提升。因此，构建高质量、多样化的感知数据集是不可或缺的基础工作，这些数据集不仅为算法训练提 供了丰富的素材，也成为了评估具身性能的基准参考标准。

具身智能数据按采集方式主要分为真实数据和仿真数据两大类。（1）真实数据：真实数据是智能体通过自身物理身体上的各类传感器（如摄像 头、麦克风、触觉传感器等 ），在与真实物理环境进行交互过程中，实时采集获取的数据。真实数据主要来源有：机器人遥操（通过人工远程 操控获取真实场景下的操作数据）、动作捕捉（记录人类在特定环境中的行为模式）。（2）仿真数据：借助计算机模拟技术，在虚拟环境中生 成的、用于训练具身智能的数据。通过构建虚拟场景、物体和智能体，模拟智能体与虚拟环境的交互过程来产生数据。即利用仿真环境生成训 练数据。真实数据和仿真数据两者是互补关系，未来训练将大量混合使用真实数据和高质量的合成数据。

当前具身智能数据多为厂商自采集，存在丰富开源数据集。当前给人形机器人采集的高质量数据通常在现实世界中获取，采集方式主要有直接 接触数据（真机数据）和间接接触数据（人工控制数据）两种。最理想的数据采集方式是通过人形机器人本体直接触达物理世界，让其准确理 解真实环境。大规模真机数据的采集成本高昂，需要投入许多人力、物力和时间资源，数据标注和采集设备都存在门槛。目前市面上存在丰富 的高质量具身智能开源数据集，如智元、谷歌、国地共建中心等均开源了丰富的具身智能数据集，具备丰富的演示数量、场景任务和动作技能等。

机器人仿真数据主要依赖虚拟场景，而场景的合成方案可拆解成两个关键部分:场景生成（Gen）与模拟（Sim）。场景生成引擎（Gen）主要有 两种技术路径：合成视频+3D重建：基于像素流驱动，先生成视频或图像，再重建为点云或mesh等非结构化3D数据，最终转为结构化语义模型。 如Hillbot、群核科技、World labs（李飞飞）等。AIGC直接合成3D数据：利用图神经网络（GNN）、扩散模型（Diffusion）、注意力机制 （Attention）等方法，直接合成结构化空间数据。如 ATISS、LEGO-Net、DiffuScene、RoomFormer 等代表模型，部分方案结合程序化生成技 术，如 Infinigen（CVPR 2024）。