具身智能火了以后，后台经常有人问我：

有没有一款开源工具，既能标机器人操作视频，又能标动作步骤、物体轨迹和传感器数据?

很多人第一反应就是Label Studio。

毕竟它开源、部署门槛不算高，图片、文本、音频、视频、时间序列都能往里面塞。

那么问题来了：Label Studio到底能不能扛住具身智能数据标注？

这次我按照具身智能项目的实际需求，把它的开源能力、标注配置和输出格式逐项拆了一遍。

先说结论：Label Studio能扛住具身智能数据标注的前半程，但扛不住完整的多模态生产链路。

如果只做机器人视频理解，它很好用。

如果要做机器人全量Episode数据，它还差得远。

具身智能火了以后，后台经常有人问我：

有没有一款开源工具，既能标机器人操作视频，又能标动作步骤、物体轨迹和传感器数据?

很多人第一反应就是Label Studio。

毕竟它开源、部署门槛不算高，图片、文本、音频、视频、时间序列都能往里面塞。

那么问题来了：Label Studio到底能不能扛住具身智能数据标注？

这次我按照具身智能项目的实际需求，把它的开源能力、标注配置和输出格式逐项拆了一遍。

先说结论：Label Studio能扛住具身智能数据标注的前半程，但扛不住完整的多模态生产链路。

如果只做机器人视频理解，它很好用。

如果要做机器人全量Episode数据，它还差得远。

第一关：机器人操作视频，能不能标？

可以，而且这是Label Studio最成熟的一块能力。

假设现在有一段机械臂抓取杯子的视频，标注员需要框出：

• 机械臂末端执行器；
• 夹爪；
• 杯子；
• 目标容器；
• 操作过程中出现的障碍物。

Label Studio开源版支持在视频中绘制二维矩形框，并通过关键帧记录目标位置。

标注员不需要每一帧都重新画框，只需要在目标位置发生明显变化时增加关键帧，系统就可以对中间帧进行插值。

官方视频标注模板支持逐帧查看、关键帧跳转、目标跟踪和时间轴操作，导出时还可以选择是否补全插值帧。

从数据标注项目的角度看，这意味着什么？

意味着它已经可以承担：

• 手部与物体检测；
• 机械臂末端跟踪；
• 工具使用过程跟踪；
• 操作对象生命周期标注；
• 遮挡状态记录；
• 机器人视觉目标检测数据生产。

这一关，我给它打8分。

第二关：能不能标动作步骤？

具身智能数据不是“看见杯子”就结束了。

模型还要理解：机器人现在正在做什么？

一段完整的抓取任务，至少可以拆成：

接近目标、调整姿态、张开夹爪、抓取物体、抬升物体、移动物体、放置物体、释放夹爪。

Label Studio支持视频时间轴分段，因此可以把连续视频切分为不同的动作区间。

我们可以给每个区间配置动作标签，例如：

• Reach：接近；
• Grasp：抓取；
• Lift：抬升；
• Move：移动；
• Place：放置；
• Release：释放；
• Failure：失败。

这类标注看起来简单，实际上非常重要。

因为VLA模型需要学习的不是一张图片对应一个标签，而是：

在某个环境状态下，机器人应该执行什么动作，动作持续多长时间，动作结束后环境发生了什么变化。

所以，Label Studio不只是能做视频分类，还可以承担具身智能中的任务分解、动作切分、异常定位和成功失败判断。

这一关，我给它打8.5分。

第三关：视频能不能和机器人传感器数据对齐？

这一点比我预想得要强。

Label Studio已经支持视频、音频与时间序列同步展示，可以把视频帧映射到对应的传感器时间戳。

例如，在机器人抓取视频下方，同时显示：

• 机械臂关节角度；
• 关节速度；
• 末端执行器位置；
• 夹爪开合程度；
• 加速度计数据；
• 陀螺仪数据；
• 力矩变化。

标注员拖动视频进度条时，时间序列也会同步移动。

反过来，点击某个传感器异常点，视频也可以跳到对应时间。

官方文档显示，这套同步模板要求Label Studio 1.20及以上版本，并特别强调必须正确设置视频帧率，否则视频与时间序列可能出现错位。

这对具身智能数据非常关键。因为机器人操作中，视频偏差几帧，就可能把“夹爪闭合”错误对应到“接近物体”阶段。但是，这项能力目前更接近“同步查看和区间标注”，还不是专业的机器人轨迹编辑器。

它能帮助标注员看懂数据，却不能直接替代ROS数据工具、轨迹编辑器或机器人数据管理平台。

这一关，我给它打6.5分。

第四关：能不能接入模型做预标注？

可以,Label Studio支持连接机器学习后端，让模型先生成预测结果，再交给人工确认和修改。

项目可以接入目标检测模型、视觉模型或者自定义算法，对视频中的物体、动作阶段和异常片段进行预标注。

标注完成后，还可以将人工修正结果回流，用于模型训练和下一轮预测。

官方文档明确支持模型预测、预标注、人工修正以及通过API触发模型训练。

这就形成了一个基础的人机协同闭环：

机器人原始数据→ 模型自动识别→ Label Studio生成预标注→ 人工确认和修改→ 数据回流模型→ 下一批数据继续预标注。

对于抓取、分拣、折叠、搬运等重复性较高的任务，这套方法能够明显减少人工逐帧操作。

这一关，我给它打7.5分。

真正的问题：它标不了什么？

看到这里，有人可能觉得：Label Studio已经可以直接做具身智能数据平台了。

先别急，它最大的能力边界，是目前开源视频标注仍以二维矩形框和时间轴标签为主。

具身智能项目中经常需要的以下能力，它并不能开箱即用地完成：

• 视频像素级Mask；
• 手部和机械臂关键点；
• 手物接触区域；
• 可抓取区域；
• RGB与深度图联合标注；
• 物体六自由度位姿；
• 三维点云框；
• 多摄像头统一标注；
• 机械臂关节轨迹编辑；
• Action Token序列标注。

截至2026年7月，Label Studio关于视频多边形标注的功能请求仍处于开放状态。现有的VideoRectangle可以完成视频目标跟踪，但图像使用的Polygon标签不能直接用于视频对象。更值得注意的是，Label Studio官方现在确实展示了“Robotics Episode Review”界面。这个界面已经支持多摄像头视频、子任务切分、错误标记、子目标、质量评分和操作建议，看起来非常接近具身智能项目需要的Episode审核工具。

但官方也明确说明：Robotics Episode Review目前属于Enterprise和Starter Cloud能力，不是开源社区版可以直接使用的标准功能。同样，官方展示的LiDAR点云、三维框、多摄像头重投影和轨迹时间轴界面，也属于企业版能力。

这就是很多人最容易踩的坑：看到官方有这个界面，不等于开源部署以后就能直接使用。

我的最终评价：6.5分

如果把具身智能数据标注分成三个层级：

• 第一层是视频语义标注；
• 第二层是多模态状态与动作标注；
• 第三层是机器人完整Episode生产。

那么Label Studio开源版的实际表现是：第一层基本能做，第二层需要改造，第三层无法独立完成。

它最适合承担的是：

• 机器人操作视频分类；
• 动作步骤切分；
• 目标框跟踪；
• 成功失败判断；
• 异常原因标注；
• 视频与传感器数据同步查看；
• 视觉和语言标签生产。

而点云、深度图、六自由度位姿、机械臂轨迹、多摄像头联动和完整Episode管理，最好交给专用工具或自研平台。

所以我的建议不是放弃Label Studio，而是重新给它定位：不要把它当作具身智能数据平台，而要把它当作具身智能数据流水线中的视频语义标注前端。

• 前端用Label Studio解决人工交互和质量审核；
• 中间用模型完成预标注和自动识别；
• 后端用自研系统管理Episode、传感器、轨迹和训练格式。

这才是它在具身智能数据标注中的正确打开方式。

未来的数据标注公司，竞争的不会是谁能找到一款万能工具。

而是谁能够把开源工具、模型能力、标注流程和数据工程真正连接起来。

工具只是入口，系统能力才是壁垒。

我是AI数据标注猿刘吉，跟着我用数据视角看AI世界。