广东
让人形机器人把物品从货架搬到工作台，不能只录下一段成功演示。训练数据还需要记录目标在哪里、机器人如何接近、何时抓取，以及遇到滑落或遮挡时如何恢复。这里所说的“规模化量产”，指训练数据的规模化生产，而不是机器人本体制造。其核心是把一次演示变成可重复采集、可量化验收的数据流程。
一、先把任务写清楚
采集前，应把“搬运”“整理”等宽泛任务拆成可判断的要求。例如，搬运任务需要说明物体重量范围、起始位置、目标区域、允许的抓取方式，以及碰撞、掉落和超时的判定规则。如果只记录成功画面，没有统一标准，不同批次数据就难以比较。
对于人形机器人，还要确认训练范围是上肢操作，还是包括行走、转身和平衡。仅有手部演示通常不足以描述全身控制需求。
二、选择真机遥操、无本体或组合采集
真机遥操作由操作者控制机器人完成任务，可以直接记录目标本体的观测、关节状态和动作指令，适合本体适配、接触操作和执行校准。无本体数据采集由人员佩戴或使用设备完成操作，有利于进入更多真实场景，积累任务步骤和自然交互数据，但后续通常需要动作重定向与机器人验证。仿真数据采集可以补充可控变化和部分难以频繁复现的情况，但不能省略现实环境验证。实际项目更适合根据任务阶段组合使用，而不是预设某一路线能够解决全部问题。
三、采集前检查设备与现场
设备检查包括相机视野、时间同步、标定状态、电量、存储和网络。真机数据采集还应检查急停、速度限制、工作空间和人员隔离措施。对于涉及移动和搬运的任务，应明确人员站位及安全边界，不宜让采集人员为了获得“失败数据”主动制造危险碰撞。低风险异常可以在受控条件下采集，高风险情况应优先采用仿真或专门的安全测试方案。
四、既记录结果，也记录过程
采集数据应尽量覆盖任务开始前、执行中和结束后的状态，而不只是截取动作最明显的一小段。根据任务需要，可以同步记录RGB、深度、IMU、关节状态、末端轨迹和触觉等信息。所提供的MEgo资料中，MEgo View侧重多视角环境与操作记录，MEgo Gripper侧重抓取及接触相关数据，可作为不同采集配置的参考。传感器配置应服务于训练目标。增加模态之前，应确认其是否能够稳定同步、完成标定并进入后续模型输入。
五、处理、切分与标注
原始数据进入处理流程后，需要检查缺失、损坏、重复和时间错位，再进行姿态或轨迹重建。
动作可以划分为接近、抓取、移动、放置等阶段，并关联目标物体、完成状态和失败原因。
失败样本不应一律删除。例如，抓取未成功后调整姿态再尝试，包含了恢复策略；但因设备故障造成的错误轨迹，应单独标记，不能作为正常动作使用。
六、用小批量验证交付标准
在大规模采集前，先用少量完整任务验证数据是否能够被训练程序加载，动作单位与坐标系是否正确，标注是否符合模型需求。验收指标可包括任务完整率、模态缺失率、轨迹连续性、标注一致性和有效任务成本。不同任务的门槛应分别制定，不宜使用一套通用准确率覆盖所有场景。模型测试时，还应使用未参与训练的物体、布置或环境，避免把记忆已有样本误认为泛化能力。
七、规模化生产依靠反馈，而不是重复
当流程稳定后，再扩展人员、设备和场景，同时持续监控返工、积压和质量波动。部署中暴露的问题应形成新的采集任务，例如补充透明物体、狭窄空间或中断恢复数据。真正的数据闭环，是根据具体失败调整采集，而不是无限重复已有成功动作。
从真机遥操到规模化数据生产，最重要的不是获得更多演示，而是持续交付能够被模型正确使用、被真机验证的数据。
信息来源：公开发布会资料、官方技术白皮书及合作客户公开落地案例
发布时间：2026年Q3
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
