机器人数据采集全景：从示教到企业级数据生产平台

过去两年，OpenVLA、GR00T、π0、LeRobot 等具身智能项目不断涌现，很多人认为机器人能力的提升来自模型越来越大、算力越来越强。但回顾近两年的机器人研究，一个更明显的趋势正在出现——越来越多团队把关注点放到了数据本身，而不只是模型。 因为对于具身智能而言，模型决定能力，数据决定模型能力的上限。

一、数据采集技术栈：不只是”录数据”

提到机器人数据采集，很多人的第一反应是：打开相机、启动机器人、记录视频和轨迹。事实上，这只是一个数据采集流程中的第一步。

对于现代具身智能而言，一条能用于模型训练的数据，远不止一段视频或一条机械臂轨迹，它通常需要同时记录：

机器人状态（关节角度、速度）
传感器信息（RGB、深度、力觉、IMU）
环境变化
操作者动作
任务指令

并且这些信息必须在时间轴上保持同步，以统一的数据格式组织，才能真正用于模型训练。

换句话说，数据采集已经从过去简单的”记录（Recording）“，演变成了一套完整的数据工程（Data Engineering）。可以把它理解为一套 Robot Data Collection Stack（机器人数据采集技术栈）：

层级	职责
Human Demonstration	如何高效获取高质量人类示教数据（如 UMI 低成本示教）
Teleoperation	如何通过遥操作设备完成动作采集（如 ALOHA 双臂平台）
Multi-modal Sensors	同步采集 RGB、深度、力觉、IMU、机器人状态等多模态信息
Dataset Format	将不同设备的数据按统一格式组织（如 LeRobot Dataset、RLDS）
Data Engine	数据同步、存储、管理、回放、质量检查及导出
Policy Training	利用数据训练 Diffusion Policy、ACT、OpenVLA 等策略模型

因此，讨论机器人数据采集，真正关注的已经不是”如何录制一段数据”，而是如何建立一条从数据产生、数据管理到模型训练的完整数据流水线（Data Pipeline）。

二、数据从哪里来：四种主流方案

2.1 Kinesthetic Teaching：拖拽示教

机器人学习早期，大多数示教任务采用最直接的方式——人工拖动机器人完成一次操作，记录关节轨迹，即 Kinesthetic Teaching（拖拽示教）或 Hand Guiding。

目前 Franka Emika、Universal Robots（UR）等平台都提供 Hand Guiding 功能，开发者直接拖动机器人完成目标动作，系统自动记录各关节的位置、姿态和运动轨迹。

特点：

示教过程简单直观，学习成本低
直接记录真实关节运动轨迹，数据精度高
无需额外视觉定位或轨迹恢复算法
广泛应用于工业机器人编程、模仿学习和实验室研究

局限：需要操作者直接接触机器人，采集效率较低，难以快速构建大规模数据集，更适合小规模任务验证和精细操作示教。

2.2 UMI：低成本大规模示教

传统数据采集依赖人工拖动机器人、示教器编程或专业遥操作设备，设备成本高、效率低，成为早期机器人学习的重要瓶颈。UMI（Universal Manipulation Interface） 正是为解决这一问题而生。

UMI 不要求操作者直接控制机器人，而是让操作者手持一个轻量化夹爪完成真实操作，同时用第一视角相机和 SLAM 技术恢复夹爪在空间中的运动轨迹：

Human Demonstration → Hand-held Gripper → Camera + SLAM
    → Trajectory Reconstruction → Robot Dataset

优势：

降低示教成本，无需机器人参与即可完成数据采集
人类操作更自然，能快速获得大量连续轨迹数据
流程简单，更容易在不同实验室之间复现和扩展

从技术栈看，UMI 解决的是如何以更低成本、更高效率采集高质量示教数据。

2.3 ALOHA：双臂遥操作

随着操作任务越来越复杂，仅恢复人类运动轨迹已无法满足高精度操作需求。斯坦福提出的 ALOHA（A Low-cost Open-source Hardware System for Bimanual Teleoperation）为遥操作数据采集提供了低成本方案。

ALOHA 采用 Leader-Follower（主从控制）架构：操作者通过 Leader Arm 控制机器人完成动作，Follower Robot 实时同步执行，并记录机器人关节状态、末端位姿、相机图像等多种信息。

优势：

机器人直接执行任务，无需后续轨迹映射
可同步记录关节、末端位姿及视觉信息
特别适用于双臂操作、精细装配等复杂操作任务
已成为 ACT、LeRobot 等项目的常用数据采集方案

从技术栈看，ALOHA 关注的是如何高质量获取机器人真实执行过程中的示教数据。

2.4 Ego：从动作到意图

随着 VLA 模型的发展，机器人学习的目标已不仅是复现动作，而是理解人类为什么这样操作。仅依赖机器人轨迹，模型能学会”做了什么”，却很难理解”为什么这样做”。

Ego（Egocentric，第一视角）数据采集通过记录操作者第一视角视频、手部动作、语言指令以及周围环境信息，让机器人学习人与环境的交互过程：

Head Camera → Hand Motion / Scene Observation / Language / Environment
    → Multi-modal Dataset

特点：

第一视角更接近真实人类操作过程
可同步采集视觉、语言、动作等多模态信息
有助于机器人学习任务意图和决策过程
广泛应用于 VLA、World Model 等具身智能研究

从技术栈看，Ego 关注的是如何帮助机器人理解人类操作背后的意图（Human Intentions）。

2.5 小结：四方案定位对比

方案	核心关注	适用场景	数据来源
Kinesthetic Teaching	快速示教	工业示教、小规模验证	人工拖动机器人
UMI	低成本大规模示教	快速构建示教数据集	手持夹爪 + SLAM
ALOHA	机器人真实执行数据	双臂操作、模仿学习	主从遥操作
Ego	理解操作意图	VLA、具身智能研究	第一视角多模态

四方案之外，还有覆盖视觉、机器人状态、语言、力觉等多模态的同步采集方式，为 VLA、World Model 等模型提供训练数据。不同方案适用于不同场景，不存在唯一的最佳选择，实际项目中通常组合使用而非相互替代。多模态数据能帮助机器人更全面地理解环境、任务目标以及人机交互关系，从而提升模型泛化能力。

三、从单一方案到开放式数据采集平台

随着具身智能进入规模化数据驱动阶段，越来越多团队发现：完整的数据采集流程往往不会只采用一种方案，而是根据任务需求组合使用。

真正的问题已经不再是”选哪一种数采方式”，而是”如何让不同设备、不同传感器和不同采集方式协同工作”：

如何同时接入 UMI 手持夹爪与机器人末端夹爪？
如何同步 Ego 第一视角相机与机器人视觉数据？
如何统一管理 RGB、深度、机器人状态、力觉等多模态信息？
如何让不同来源的数据采用统一时间戳和统一格式存储？

这也是机器人数据采集从”单一工具”演进到”开放式数据采集平台”的重要原因。这类平台的定位并不是替代某种单一方案，而是提供一套更开放、可扩展的架构——将机器人本体、机械臂、夹爪、第一视角相机及多种传感器统一接入同一数据采集流程，实现多设备协同、多模态同步与标准化数据管理。

四、企业级方案：从数据采集到数据生产

在企业级研发场景中，真正的挑战已不是”如何采集一组数据”，而是”如何持续、稳定地生产高质量机器人数据”。相比实验室的单点采集，企业级数据生产系统通常需要具备以下能力：

多设备统一接入：同时管理手持夹爪、机械臂、底盘、多路相机等不同采集设备
多传感器时间同步：保证 RGB、深度、力觉、IMU、机器人状态在时间轴上对齐
第一视角与机器人数据协同：将 Ego 第一视角与机器人本体数据统一编排
数据管理与回放：集中存储、质量检查、回放复现与标准化导出

从行业趋势看，未来企业级数采平台的竞争重点，将不再是单个设备的性能，而是能否围绕不同数据采集方式构建完整生态，实现第一视角、遥操作、多模态感知与机器人状态的统一组织与管理。

五、结语：数据生产能力是新的护城河

如果说过去机器人研发的核心是算法，那么未来机器人研发的核心之一将是数据生产能力。

Kinesthetic Teaching、UMI、ALOHA、Ego 以及多模态采集，分别代表了机器人数据采集在不同阶段、不同场景下的探索方向；而企业级数据采集平台的出现，进一步推动机器人研发从”一次性采集”迈向”持续化数据生产”。

未来，随着 VLA、World Model 以及具身智能基础模型不断发展，机器人对真实世界数据的需求将持续增长。如何构建更开放、高效、标准化的数据采集体系，将成为机器人研发的重要课题。

一句话总结：机器人研发正进入数据驱动阶段，持续生产高质量、多模态数据的能力，将成为具身智能时代最重要的基础能力。