北京
6月12日消息，跨维智能近日正式对外介绍了其面向具身智能领域研发的数据处理框架Dexterity-BEV。据悉，该技术旨在解决当前机器人领域因数据异构、坐标系不统一而难以规模化训练的核心难题，其核心思路是将源自自动驾驶领域的BEV（Bird's-Eye View，鸟瞰图）范式，系统性地引入具身智能的数据基建层。
BEV技术为机器人数据建立统一空间秩序
当前，具身智能行业正面临与早期自动驾驶类似的数据困境。机器人数据来源极为复杂，可能同时包含多视角图像、深度信息、关节状态、语言指令等多种异构信息，且不同机器人本体、不同数据集之间的坐标系、视角、操作习惯均不统一。这种数据的“无序增长”导致了严重的“熵暴”（entropy explosion）问题，即数据量越大，其整合、训练和跨平台迁移的难度反而越高，难以形成可规模化的数据资产。
Dexterity-BEV的提出，正是为了解决这一根本性问题。其核心是构建一个统一的BEV三维空间坐标系。该技术将多来源、多视角的机器人视觉输入，统一对齐到一个虚拟的俯视参考空间中。这并非简单的图像拼接或复杂的三维重建，而是为所有数据提供了一个共通的“物理语言”参考系。这意味着，无论相机安装位置、机器人观察角度如何变化，同一物理任务最终都能被转化为这个统一空间中的可学习表达，使模型能从“看图猜动作”转向“在三维空间里理解任务”。
兼顾2D模型能力与3D空间理解，实现感知-动作闭环
据介绍，Dexterity-BEV采用了一种兼顾效率与性能的路径。它并未放弃现有成熟的2D视觉语言大模型（VLM），而是在其基础上，通过引入“顶点图”和“顶点谱”等机制，为视觉特征token注入三维空间位置信息。这相当于在保留强大语义理解能力的同时，为2D模型补上了机器人操作所必需的3D空间“骨架”，避免了重造昂贵3D系统的高昂成本。
更为关键的是，Dexterity-BEV不仅对齐了视觉输入，还将机器人的状态和目标动作也统一到了同一个BEV坐标系中。该框架将机器人的动作从具体的关节角度中解放出来，让模型学习末端执行器在统一空间中的目标位姿和移动轨迹。同时，通过跨轨迹时序对齐机制，减少了因操作者速度差异带来的无关噪声。这形成了一个完整的“感知-动作”对齐闭环，输入（视觉）、状态（机器人）、输出（动作指令）首次在同一个物理坐标系统下被统一表达，为跨不同机器人平台的技能迁移奠定了基础。
实测展现强泛化能力，或成规模化关键基建
在验证环节，Dexterity-BEV在仿真和真实机器人实验中，重点测试了在相机视角变化、机器人基座扰动、场景布局变更及跨平台迁移等挑战性设置下的表现。根据其公布的结果，在LIBERO、RoboTwin 2.0等仿真环境中，面对大幅扰动，传统2D VLA方法成功率明显下降，而Dexterity-BEV保持了相对稳定的性能。
在真实机器人测试中，该技术覆盖了折叠纸盒、折布、舀爆米花、递书等涉及刚体、柔性体、颗粒物及人机交互的复杂长程操作任务。这些任务更能检验模型是基于“记忆画面”还是真正“理解物理”。实验表明，在数据经过统一空间对齐后，模型的泛化能力得到了有效提升。
跨维智能表示，Dexterity-BEV的核心价值不仅在于模型性能的提升，更在于它标志着具身智能可能从单纯的“堆叠数据量”阶段，进入“建立数据秩序”的新阶段。正如BEV范式曾帮助自动驾驶行业实现从多相机图像感知到统一空间理解的关键跃迁，Dexterity-BEV旨在为具身智能构建一套可规模化训练、可跨平台迁移的数据基建。这或许是在追求更大模型、更多数据之前，行业必须补齐的关键一课。（崔玉贤）
