0.前言

过去几年，具身智能（Embodied AI）进入快速发展阶段，大模型不断突破，机器人感知、决策与操作能力持续提升。然而，越来越多科研团队开始意识到，决定机器人性能上限的，不仅是模型本身，更是高质量的数据采集（Data Collection）。

从 Open X-Embodiment、ALOHA，到越来越多开源 Manipulation Dataset 的发布，行业关注点正逐渐从“训练更大的模型”转向“构建更高质量的机器人数据集”。对于高校实验室、科研机构以及具身智能企业而言，机器人数据采集已经成为模型训练、策略学习（Policy Learning）和算法验证的重要基础。

业内也逐渐形成了一个共识：

模型可以复用，数据才是真正的核心资产。

相比不断增长的模型参数，机器人更需要来自真实世界的高质量交互数据。特别是在抓取（Grasping）、装配（Assembly）、工具使用（Tool Use）、日常操作（Daily Manipulation）等复杂任务中，仅依赖仿真环境已难以覆盖真实场景中的环境变化、操作细节与人机交互过程。如何高效获取真实场景、多模态、高一致性的具身智能数据，正成为科研团队关注的重点，也是推动具身智能模型持续迭代的重要基础。

在这一趋势下，围绕科研数据采集、第一视角（Ego-centric）数据采集、多模态感知以及通用便携的数据采集平台的研究与应用不断增加。相比传统分散式采集方案，一体化的数据采集设备能够降低部署成本，提高实验效率，并为机器人训练提供更加完整、可复用的数据基础。

本文将以松灵机器人（AgileX Robotics） PiKA 数据采集套件为例，结合当前具身智能的发展趋势，探讨 Ego-centric 数据采集的价值、典型应用场景，以及科研团队在构建机器人数据集时更关注的关键能力。

关键词：具身智能，第一视角数据采集，Ego-centric，松灵机器人

1.为什么第一视角（Ego-centric）数据采集越来越重要？

1.1 传统数采设备存在限制制约数据质量

随着具身智能进入真实场景训练阶段，传统的数据采集方式正在暴露出越来越多的局限性。过去，机器人数据采集主要依赖固定相机、第三视角录像以及 Teleoperation（遥操作）等方式，这些方案能够完整记录机器人的运动轨迹和操作过程，却难以还原机器人完成任务时真正需要的感知信息。

对于机器人而言，完成一项操作不仅需要知道"做了什么"，更需要理解"为什么这样做"。例如，在抓取、装配或工具使用等任务中，人类会持续观察目标位置、判断环境变化、调整抓取姿态，并根据视觉反馈实时修正动作。这些决策过程往往无法通过第三视角完整表达。

Ego-centric Data Collection（第一视角数据采集）的核心价值，正是在于以操作者或机器人自身的视角记录整个交互过程，将视觉感知与操作行为同步关联，使机器人能够学习真实任务执行过程中的感知—决策—执行逻辑，而不仅仅是动作轨迹本身。

相比传统方案，第一视角数据能够更加自然地建立多模态信息之间的对应关系，包括：

• 视觉信息（Vision）：操作者实际看到的场景与目标对象；

• 操作动作（Action）：机械臂、夹爪或末端执行器的运动过程；

• 位姿信息（Pose）：机器人、相机及目标物体的空间关系；

• 动作意图（Intention）：视觉反馈驱动下的决策与动作调整。

这种时空一致、多模态同步的数据形式，更符合当前具身智能模型和机器人策略学习（Policy Learning）的训练需求。近年来，包括 Open X-Embodiment 在内的多个开源数据集，也越来越重视第一视角、多模态和真实交互数据的采集方式，希望帮助机器人学习更加接近人类操作习惯的行为策略。

对于科研团队而言，第一视角数据采集不仅意味着获得更多数据，更意味着获得质量更高、语义更完整、更适合模型训练的机器人数据，这也是 Ego-centric 数据采集逐渐成为具身智能研究热点的重要原因。

1.2 数据采集最大的挑战，不是采集本身，而是部署效率

对于许多高校实验室和科研团队而言，完成一次机器人数据采集，真正耗费时间的往往并不是采集过程，而是前期部署。

尤其是在具身智能研究中，一个完整的数据采集系统通常需要同时集成相机、计算平台、供电设备以及多种传感器。为了保证数据质量，还需要完成设备连接、时间同步、坐标标定、数据存储配置等一系列准备工作。

科研实践中，这些问题十分常见：

• 多设备连接复杂，现场布线繁琐；

• 多相机时间同步和传感器标定耗时较长；

• 不同设备的数据格式难以统一，后续整理成本高；

• 系统集成度较低，每次实验都需要重复部署与调试。

因此，一个原本只需几十分钟的数据采集实验，往往需要数小时甚至一整天才能完成准备工作。对于需要反复验证算法、持续采集数据的科研项目而言，这种部署成本不仅影响实验效率，也降低了数据采集的连续性和可复现性。

正因如此，近年来越来越多具身智能团队开始关注通用便携（Portable）、一体化（All-in-One）的数据采集平台。相比自行集成多种硬件，一体化方案能够减少设备部署和调试时间，实现相机、传感器、计算平台与数据采集软件的协同工作，让研究人员将更多精力投入到实验设计、算法验证和机器人训练，而不是重复搭建实验环境。

对于需要长期开展科研数据采集、Ego-centric 数据采集和机器人数据集构建的团队而言，高效部署不仅意味着更高的实验效率，也意味着能够持续获得更加稳定、一致且可复用的数据资源。

1.3 数据采集，正在成为具身智能时代的新基础设施

随着具身智能技术不断发展，行业竞争的焦点正在悄然发生变化。

过去，机器人领域更多关注模型能力，希望通过更大的参数规模、更复杂的网络结构和更先进的算法提升机器人性能；而如今，越来越多科研团队开始认识到，高质量数据才是支撑模型持续迭代和能力泛化的关键。

对于具身智能而言，数据采集已经不再只是实验流程中的一个环节，而是贯穿模型训练、策略学习、算法验证和系统迭代的基础能力。从真实场景数据、多模态感知数据，到第一视角（Ego-centric）数据采集，数据的质量、规模和一致性正直接影响机器人对复杂环境的理解与操作能力。

与此同时，科研团队对数据采集平台的要求也在不断提高。除了关注采集精度，更希望设备具备通用便携、快速部署、多模态同步和开放兼容等能力，以降低实验门槛，提高数据采集效率，并支撑不同机器人平台和研究方向的持续迭代。

作为一款面向具身智能科研的数据采集方案，PiKA 数据采集套件正是基于这一需求而设计。通过一体化硬件架构、多模态数据同步能力以及通用便携的部署方式，PiKA 能够帮助科研团队更高效地完成真实场景数据采集，为机器人模型训练、策略学习和算法研究提供稳定、可复用的数据基础。

未来，随着具身智能应用不断从实验室走向真实世界，围绕机器人数据采集、科研数据采集、Ego-centric 数据采集以及多模态数据构建的能力，将逐渐成为机器人研发的重要基础设施，也将持续推动具身智能技术向更高水平发展。

2. 当前主流的 Ego-centric 数据采集方案有哪些？

Ego-centric（第一视角）数据采集已成为机器人科研的重要方向。目前，科研机构和企业主要采用以下几类数据采集方案，它们各有特点，也对应不同的应用场景。

2.1 可穿戴式第一视角采集（Wearable Ego-centric）

这是目前最常见的方案，通过头戴式相机、胸前相机或眼镜设备记录操作者执行任务时的第一视角画面，并同步采集机械臂控制、手部动作等信息。

这种方式部署简单，能够快速构建大规模第一视角数据集，因此被广泛应用于抓取、操作学习（Imitation Learning）以及机器人行为建模等科研项目。

适用场景：

• 机器人操作学习（Robot Manipulation）

• 模仿学习（Imitation Learning）

• 第一视角视频数据集构建

2.2 双臂遥操作（Bimanual Teleoperation）

近年来，随着 ALOHA、Open X-Embodiment 等开源项目的发展，双臂遥操作逐渐成为具身智能数据采集的重要方式。操作者通过主从机械臂控制机器人完成真实操作，同时同步记录视觉、关节状态、末端位姿及控制指令等多模态数据。这类方案能够获得高质量的动作轨迹，因此成为当前机器人策略学习的重要数据来源。

不过，这类系统通常依赖固定实验平台，对设备集成、空间部署和标定要求较高，更适合实验室环境下的数据采集。

适用场景：

• 双臂操作

• Manipulation Dataset 构建

• Policy Learning

2.3 多模态一体化数据采集平台

随着具身智能进入真实场景应用，越来越多科研团队开始关注更加轻量、通用的数据采集方案。相比传统自行搭建系统，一体化平台通常将第一视角相机、计算单元、供电系统以及数据同步模块集成在统一设备中，实现视觉、深度、位姿等多模态数据的同步采集，减少设备连接、标定和部署时间。

这种方案兼顾了通用便携与快速部署的特点，更适合需要频繁开展实验、高效构建机器人数据集的高校实验室和科研团队。

整体来看，Ego-centric 数据采集的发展趋势正在从"能够采集数据"逐渐转向"高质量、可复用、易部署的数据采集"。科研团队关注的重点，也从单一设备性能延伸到整个数据采集流程的效率，包括设备部署、多模态同步、数据一致性以及后续模型训练的适配能力。

在这一背景下，兼具通用便携、多模态同步和快速部署能力的数据采集平台，正逐渐成为具身智能科研的重要基础设施。以松灵 PiKA 数据采集套件为代表的一体化方案，也正是围绕这些科研需求进行设计，希望帮助研究人员更高效地完成真实场景数据采集，并为机器人模型训练提供稳定、高质量的数据基础。

3.当前主流 Ego-centric 数据采集项目对比

3.1 Ego 数据采集开源项目应用

近年来，越来越多国际开源项目开始将 Ego-centric（第一视角）数据采集作为构建机器人数据集的重要方式。从 Open X-Embodiment 到 ALOHA，再到 DROID、Ego4D 等项目，可以发现，研究重点已经不再局限于采集机器人动作本身，而是更加关注视觉、动作、位姿、环境信息等多模态数据的同步记录，希望让机器人能够学习更接近人类真实操作过程的感知与决策逻辑。

不同项目虽然面向的任务场景有所不同，但都在尝试解决同一个问题：如何构建更加真实、可泛化、可复用的机器人数据集。下表总结了目前具有代表性的 Ego-centric 数据采集项目及其特点。

项目	Ego 方式	主要特点
Open X-Embodiment	第一视角 + 多机器人数据	跨机器人数据共享
ALOHA	双臂遥操作	高质量 Manipulation Data
DROID	第一视角 + 人机协作	Google DeepMind 数据集
Ego4D	人类第一视角视频	大规模 Ego 数据集
BEHAVIOR-1K	家庭操作任务	长时序具身任务

3.2 Ego 数据采集正在走向商业化应用

从 Open X-Embodiment、ALOHA、DROID 等开源项目可以看出，Ego-centric 数据采集已经成为具身智能领域的重要技术路线。而随着机器人研发逐步从实验室走向真实场景，科研团队的需求也正在发生变化——关注点已经从"如何采集数据"扩展到"如何高效构建数据闭环"。

相比单纯完成数据记录，如今的数据采集系统还需要兼顾快速部署、多模态同步、数据管理、数据标注以及模型训练适配等能力，从而支撑机器人数据集的持续构建与迭代。因此，越来越多的数据采集方案开始向一体化、平台化方向发展，将数据采集与后续的数据处理流程深度融合，降低工程部署成本，提高科研效率。

PiKA × 智源具身平台：构建 Ego 数据采集闭环

在这一背景下，松灵 PiKA 数据采集套件与智源具身一站式平台的结合，为 Ego-centric 数据采集提供了一个完整的落地案例。

松灵 PiKA 采用轻量化、通用便携的手持式夹持设计，通过单一夹爪即可完成第一视角（Ego-centric）数据采集，无需复杂的设备组合和现场调试，即可快速开展真实场景实验。这种设计降低了传统多设备采集系统的部署门槛，使科研人员能够将更多精力投入到实验设计和算法研究，而不是硬件集成与环境搭建。

与此同时，智源具身一站式平台提供覆盖任务规划、数据采集、数据扩增、数据标注、数据集管理以及模型迭代的完整工具链，实现了具身智能研发流程的全链路管理。PiKA 接入平台后，采集得到的每条数据样本不仅包含 RGB 图像，还可同步记录空间位姿、触觉、声音等多模态信息，并可直接进入平台完成数据标注、管理和训练流程，实现多模态数据在统一平台内的组织、流转与复用。

相比传统"采集完成后再导出、整理、转换格式"的工作流程，这种采集—管理—训练一体化模式有效减少了数据处理环节，提高了机器人数据集的构建效率，也进一步降低了科研团队开展 Ego-centric 数据采集的门槛。

这一案例也反映出当前具身智能行业的发展趋势：数据采集正在从单一设备能力，演进为覆盖采集、管理、标注、训练的完整数据基础设施。 对于科研团队而言，未来竞争的不仅是模型能力，更是持续获取高质量、多模态、可复用机器人数据的能力。

从 Open X-Embodiment、ALOHA 等开源项目，到 PiKA 与智源具身平台的产业实践，可以看到 Ego-centric 数据采集正逐步完成从科研验证向工程落地的演进。未来，随着具身智能进入规模化应用阶段，数据采集平台将不仅承担"记录数据"的功能，而是成为连接数据采集、数据管理、模型训练与持续迭代的重要基础设施。具备通用便携、快速部署、多模态同步等能力的一体化数据采集方案，也将成为高校实验室、科研机构及机器人企业构建高质量机器人数据集的重要支撑。

4.结语

随着机器人研发从实验室走向家庭服务、工业制造、科研教育等真实场景，模型训练对真实世界、多模态、高一致性数据的需求将持续增长。相比单纯追求更大的模型参数，高质量的数据采集能力正在成为机器人策略学习、模型泛化和持续迭代的重要基础。未来，机器人数据采集也将从独立的实验环节，发展为贯穿数据采集、数据管理、数据标注、模型训练和持续优化的完整数据基础设施。

对于科研团队而言，真正有价值的 Ego 数据采集方案，不仅需要支持第一视角、多模态数据同步，还应具备通用便携、快速部署、开放兼容等工程能力，在保证数据质量的同时降低实验门槛，提高研发效率。

作为面向具身智能科研的数据采集方案，松灵 PiKA数采设备希望解决的并不仅是"如何采集数据"，而是帮助科研团队更高效地构建高质量机器人数据集，打通从数据采集到模型训练的研发闭环，为具身智能算法研究和机器人应用落地提供更加稳定、可复用的数据基础。

未来，随着具身智能技术持续演进，数据采集能力将像计算平台、机器人本体和基础模型一样，成为机器人研发体系中的核心能力之一。如何构建更高质量、更高效率、更易部署的数据采集体系，也将成为推动具身智能走向规模化应用的重要支撑。

FAQ

Q1：什么是 Ego-centric（第一视角）数据采集？为什么它在具身智能中越来越重要？

A： Ego-centric（第一视角）数据采集是指以操作者或机器人自身视角记录任务执行过程，同步采集视觉、动作、位姿、触觉等多模态信息。相比传统第三视角数据，它能够更完整地保留机器人完成任务时的感知、决策与执行过程，因此广泛应用于机器人操作学习（Manipulation）、模仿学习（Imitation Learning）以及具身智能模型训练。

Q2：科研团队在选择数据采集设备时，应重点关注哪些能力？

A： 对于具身智能科研而言，一套高效的数据采集设备不仅需要完成数据记录，更需要兼顾整个实验流程。建议重点关注以下几个方面：

• 是否支持 Ego-centric 第一视角数据采集；

• 是否支持 图像、位姿、触觉等多模态数据同步；

• 是否具备通用便携、快速部署能力，降低实验准备成本；

• 是否支持标准化数据格式，方便后续数据标注、管理和模型训练；

• 是否能够兼容主流机器人平台及科研开发环境。

Q3：PiKA 数据采集套件适用于哪些科研场景？

A： PiKA 面向具身智能和机器人科研，适用于机器人操作学习、模仿学习、第一视角数据采集、多模态数据集构建、人机协作研究以及算法验证等场景。其轻量化、通用便携的设计能够帮助科研团队快速开展真实环境实验，提高数据采集效率，并降低系统部署门槛。

Q4：为什么越来越多具身智能团队开始采用一体化 Ego 数据采集方案？

A： 随着机器人训练数据规模不断增长，科研团队关注的不再只是"采集到数据"，而是如何高效完成数据采集、数据管理、数据标注和模型训练的完整流程。一体化 Ego 数据采集方案能够减少设备集成、同步、标定和数据整理等工作，提高实验效率，并为构建高质量、多模态机器人数据集提供更加稳定的基础，因此正在成为具身智能研发的重要发展方向。