2026 世界机器人大会 | 光轮智能发布首个十万小时全模态人类行为开源数据集

来源：环球网

【环球网科技综合报道】8月19日至23日，2026 界机器人大会（WRC 2026）在北京北人亦创国际会展中心举行。光轮智能以“构建物理AI的持续学习基础设施”为主题参会，通过主论坛演讲、“数据驱动具身智能”主题论坛演讲、首发仪式和现场展位四大板块，集中呈现其在人类行为数据、物理仿真、规模化评测及真实部署反馈方面的最新进展。

8月20日，光轮智能发布全球首个十万小时级全模态人类行为开源数据集。光轮智能联合创始人兼总裁杨海波在首发仪式上介绍了EgoSuite-Open100K的数据构成、开放方式和后续生态建设计划。

开放人类数据，共建持续学习生态

据介绍，EgoSuite-Open100K以10万小时人类行为数据为整体规模，覆盖7大类环境、128类场景、15,000+个采集场景和15,000+项任务。数据采用头部与腕部双视角，提供手部与全身位姿、语义标注和深度信息，支持模型学习精细操作、全身协调、事件内容及其发生时序。

首批数据将在Hugging Face和AtomGit同步开源，面向学术研究与商业训练使用，相关项目还将捐赠给开放原子开源基金会孵化。项目由数万人的全球采集团队持续生产，标注算法和质量检测覆盖全链路。光轮智能还将围绕开放数据、数据标准和生态协作，推动更多研究机构、模型团队、机器人企业和场景方参与共建。

杨海波称，具身智能仍缺少同时具备高质量、多样性、大规模的数据供给。当前行业在采集口径、标注规范、数据格式和时序组织上存在差异，不同设备产生的数据难以组合复用。EgoSuite-Open100K的开放，旨在让更多开发者以统一、可复用的数据基础开展模型研究，降低高质量具身数据的获取门槛。

在开放生态建设方面，光轮智能推出5年100亿具身智能数据共建计划，杨海波重点介绍了三项核心工作：一是开放数据标准，统一不同采集设备的数据模态、标注、时序、格式和质量标准，让数据具备跨设备、跨任务和跨模型复用的基础；二是评测驱动的数据闭环，从模型失败中定位数据需求，定向生成和补采数据，再通过基准评测持续检验模型提升；三是数据与模型协同设计：共同优化仿真数据、第一视角人类数据、遥操作数据与评测数据等的组合方式。

在这一体系中，人类数据将成为机器人持续学习的“言传身教百科全书”。开放数据并非一次性发布的资源包，而是与标准、评测和模型迭代共同更新的基础设施。

以RoboFinals补齐具身智能中试验证短板

光轮智能政府及国央企业务负责人张鹏围绕“RoboFinals中试基地仿真评测基础设施”展开介绍，讨论具身智能如何跨越从技术原型到产业应用的鸿沟。

张鹏表示，具身智能产业化需要同时回答“能不能量产、能不能干活、能不能稳定”三个问题。传统中试主要验证一台设备在给定工艺参数下能否稳定量产；具身智能面对的是由本体硬件、具身模型、传感器系统、环境条件和任务流程共同构成的不确定性系统，需要验证不同模型、本体和版本在复杂条件下的系统能力。

因此，中试评测要回答的不只是“是否完成任务”，还包括：在多大成功率下能够稳定完成，什么条件会导致性能退化，退化边界在哪里，失败原因是什么，版本迭代后性能是否回归，以及仿真环境与真实现场之间存在多大偏差。

围绕这些问题，张鹏将具身智能中试所需的评测能力归纳为四个条件：可量化、可对比、可复现、大规模。评测流程从工业需求出发，将真实产业流程和工程约束转化为评测任务，再生成可执行的仿真环境，开展标准化评测与诊断，最后把结果带回现场复核。

RoboFinals由此补齐中试基地的验证短板。真机评测往往面临成本高、周期长、设备和场地受限以及安全风险等问题；RoboFinals通过标准化任务定义和固定随机种子提升结果可比性，依托SimFoundry的物理仿真能力保持资产与场景的物理一致性，并支持大规模并行运行。评测系统记录失败模式，反向驱动数据生成和模型迭代，使评测从训练后的单一分数，转化为面向产业落地的诊断和迭代工具。

在中试场景中，RoboFinals面向工业制造、物流仓储、电力巡检、特种作业、商业服务和医疗康养等真实业务，支持定制化工业Benchmark、不同资产类型和任务类型、多元异构机器人、任务成功判定、过程性评测、域随机化以及大规模并发测评。其目标是把中试基地从机器人试用场，升级为具身智能产业验证入口，为机器人产业化提供评测准入依据。

以RoboStack连接真实部署与反馈

光轮智能解决方案副总裁张建伟围绕“RoboStack：构建具身智能闭环反馈学习系统”主题展开分享，并提出以 RoboStack支撑一亿台机器人终身学习的平台愿景。

张建伟表示，具身智能产业的增量正在从单一本体制造转向规模化场景部署。机器人能在Demo中完成任务，只能说明能力上限；进入现场后能否稳定工作，才决定产业化的下限。当前机器人落地面临三重瓶颈：上线前训练数据不足，训练与评测的双重瓶颈，以及上线后现场失败案例和人工接管数据没有回流，学习闭环因此难以形成。

RoboStack面向的正是部署后的真实工作过程。它连接机器人与医院、工厂、仓储等真实场景，支持多场景适配、多本体兼容、规模化部署和远程接管：不同场景可以模块化适配，轮式、人形和复合本体可以统一接入，百台级机器人集群可以统一编排和下发，现场人员也可以进行人工远程接管和即时纠正。

在持续进化方面，RoboStack支持现场失败样本自动采集回传、回流数据驱动模型快速迭代、任务编排与运维流程自动化，以及多机状态实时监控和安全告警。部署不再是训练和评测的终点，每一次真实运行都可以为下一轮学习提供新的数据和问题。

张建伟在现场展示了RoboStack的典型闭环：人类示范采集数据进入模型训练，而后开始仿真评测；通过评测后进行真机部署；部署过程中收集问题样本并补采数据；新模型再在仿真中复现、复测，最终完成成功部署。以消毒供应中心的骨科器械套件整理为例，RoboStack支持异构本体部署，包括Dexmate轮式机器人与夹爪、宇树 H2 与灵巧触觉手组合，展示真实任务中不同本体协同进入部署流程的方式。

据悉，RoboStack要改变的是一次性交付模式。传统交付中，现场问题往往难以反哺训练，后续迭代依赖新一轮项目；基于光轮智能的体系化产品和技术，RoboStack将部署、监控、反馈、数据补采、仿真复现和模型迭代连接起来，让每一次部署都反哺学习，形成越部署越强的持续进化系统。（青云）