最近接触具身智能数据项目，我发现一个很有意思的现象：

大家嘴里说的词越来越专业，但很多人其实没有真正搞明白。

“这个项目要Ego数据。”

“客户要求GoPro采集。”

“这个是UMI，不是真机遥操。”

“我们这里做的是动捕。”

听起来好像都是一种东西。

但如果真把项目拿到手，你会发现：

Ego、GoPro、UMI、遥操作，根本不是一个维度的概念。

甚至“GoPro采集”这句话，严格来说都不太准确。

今天这篇不讲机器人估值，也不讲谁又融了多少钱。

我们就干一件事：

把具身智能数据采集里最常见的8个“黑话”，一次讲明白。

一、Ego：不是一种设备，而是一种“视角”

先说现在最火的一个词：Ego。

Ego一般指Egocentric，也就是第一人称视角数据。

最简单理解：你头上戴一个摄像头，然后正常干活。

你拿杯子、叠衣服、切菜、整理货架，摄像头记录下来的，就是你自己“眼睛附近看到的世界”。

这和站在旁边架一台摄像机拍你完全不同。

因为机器人以后真正工作的时候，也不是站在第三视角看自己干活，而是通过自己身上的摄像头去理解环境。

所以Ego数据真正有价值的地方，是：

它记录的是“一个智能体如何从自己的视角理解世界、完成任务”。

一句话记住：Ego不是相机，是第一人称数据视角。

二、Exo：站在旁边看你干活

和Ego对应的还有一个词：Exo。

也就是第三人称、外部视角。

比如一个人正在叠衣服。

头上戴着摄像头拍到的，是Ego。

旁边架着一台摄像机，把人的身体、桌子和衣服全部拍进去，这就是Exo。

为什么具身智能还需要Exo？

因为Ego虽然更像机器人的“眼睛”，但它有一个问题：很多身体动作看不全。

比如手臂到底抬了多少、身体怎么转、双手之间什么关系，第一视角有时候反而看不清。

所以很多数据采集项目现在会做：Ego + Exo同步采集。

一个看“我看到了什么”，一个看“我到底怎么动”。

三、GoPro：它只是摄像机，不是一种数据类型

这个词是目前最容易被叫错的。

不少项目直接说：“我们做GoPro数据。”

实际上，GoPro只是一个运动相机品牌。

它之所以频繁出现在具身智能项目里，

是因为它轻、广角、方便佩戴，

比较适合第一视角视频采集。

所以：人戴着GoPro采第一视角视频，得到的依然叫Ego数据。

GoPro只是：拿什么设备去采，这个关系可以这样理解：

Ego是“怎么拍”。

GoPro是“拿什么拍”。

就像你说“航拍”，这是拍摄方式；

大疆，是设备品牌。

这两个不能混在一起。

以后有人跟你说：“我们这个项目是GoPro采集。”

最好继续问一句：GoPro具体采什么？第一视角视频？有没有IMU？有没有手部轨迹？有没有深度数据？

这才开始进入项目本身。

四、UMI：人拿着“机器人的手”给机器人做示范

UMI这两年在具身智能数据圈非常火。

UMI全称：Universal Manipulation Interface。

普通Ego是什么？

人直接用自己的手干活。

比如伸手拿杯子。

UMI不一样。

它会让人拿着一个类似机器人夹爪的采集装置，再去完成任务。

比如：

• 夹杯子

• 拿香蕉

• 整理物品

• 打开抽屉

为什么绕这么一圈？

因为人的手和机器人的夹爪差别太大。

你用五根手指轻轻一捏就能拿起来的东西，机器人可能只有一个二指夹爪。

所以UMI的思路非常聪明：不要让机器人直接模仿人的手，而是让人先用一个接近机器人末端执行器的东西完成任务。

这样采出来的数据，就更容易映射到机器人动作上。

所以我经常把UMI解释成一句话：Ego是机器人“看人学”，UMI是人拿着“机器人手”给机器人做示范。

五、Teleoperation：遥操作就是人给机器人当代驾

接下来这个词，做具身数据的人基本都会碰到：

Teleoperation，遥操作。

这是目前最直接的一种机器人数据采集方式。

机器人真的在现场。

人通过手柄、VR设备、示教器、机械臂或者其他控制设备，让机器人完成任务。

比如：机器人面前放着一个杯子。

人通过控制设备，让机器人伸手、抓取、移动、放下。

整个过程中，系统会记录：机器人看到的画面、关节角度、末端位置、

动作指令、时间戳，甚至力、触觉等数据。

最终形成一个非常重要的数据关系：机器人当时看到了什么——人告诉机器人应该怎么做。

这就是大量机器人策略学习需要的数据。

所以遥操作可以理解成：人临时充当机器人的大脑。

人操作一次，机器人记一次。

等积累足够多以后，再让模型自己学。

六、MoCap：它采的不是视频，而是人到底怎么动

MoCap，全称Motion Capture。

中文就是：动作捕捉。

这个大家其实不陌生。

电影里的特效角色、游戏人物动作，很多就是通过动捕做出来的。

到了具身智能里，动捕又有了新的价值。

比如一个人抬手拿杯子。

普通摄像头看到的是：一段视频。

但动捕系统可以把它变成：肩膀在哪里，手肘弯了多少度，手腕怎么旋转，手指怎么变化，人体各个关节如何移动。

也就是说：视频记录“发生了什么”，动捕记录“身体到底是怎么动的”。

所以在一些全身机器人、人形机器人项目里，MoCap特别重要。

未来人形机器人学习走路、弯腰、搬箱子、双手协同，很多时候都需要这类数据。

七、Data Glove：数据手套，专门解决手怎么动

如果说MoCap主要看身体，那么Data Glove，也就是数据手套，重点就在手。

人的手其实是一个非常复杂的系统。

五根手指，每根手指还有多个关节。

你拿一个鸡蛋和拿一个铁锤，看起来都是“抓”，实际上手指姿态、力度完全不同。

普通视频想精准还原这些细节，很难。

所以一些机器人灵巧手项目，会让采集员戴数据手套。

系统可以记录：手指弯曲、手掌姿态、部分空间位置，甚至结合力反馈和触觉。

未来机器人如果真的要学会：穿针、拧螺丝、折衣服、插数据线，光看视频可能远远不够。

手部动作本身，也会成为一种独立的数据。

八、Robot Trajectory：真机轨迹，才是机器人自己真正干过的数据

最后一个词：Trajectory，轨迹数据。

这个其实特别重要。

机器人完成一次完整任务，留下来的不只是“一段视频”。

真正有价值的是整个任务过程中的连续状态。

比如：机器人开始时手在哪里，看到了什么；

第一步执行什么动作，执行以后环境发生了什么变化；

第二步又做什么；最终任务有没有成功。

这整个过程，就是一条轨迹。

所以现在很多项目按：条、轨迹、episode来统计数据。

而不是简单按照视频小时数。

一条高质量轨迹，理论上应该能够回答三个问题：

1. 当时环境是什么状态？

2. 机器人采取了什么动作？

3. 动作最后产生了什么结果？

这也是为什么我一直说：具身智能数据真正值钱的，最终未必是“录了多少小时视频”。

而是：里面有多少能够真正拿去训练机器人的有效轨迹。

把这8个词放在一起，其实就很好理解了

大家可以记住一个最简单的框架。

第一层，是怎么看世界：Ego第一视角。Exo第三视角。

第二层，是拿什么设备采：GoPro、头戴相机、深度相机。

第三层，是人怎么教机器人：UMI、遥操作、MoCap、数据手套。

第四层，才是最后得到什么数据：视频、姿态、关节、位姿、动作和Robot Trajectory。

你把这四层搞清楚以后，具身数据项目里很多所谓的“黑话”，其实就没那么神秘了。

真正接项目的时候，别只问“多少钱一小时”

我最近接触不少想入局具身数据的团队。

很多人的第一个问题都是：“现在一小时多少钱？”

但做这种项目，我反而建议你先问六个问题：

第一，采的是Ego还是Exo？

第二，用什么设备？普通相机、GoPro还是RGB-D？

第三，是人类行为采集，还是UMI、遥操作、真机采集？

第四，要采哪些模态？只有视频，还是还要IMU、位姿、关节、力、触觉？

第五，最终按什么结算？原始小时、有效小时还是有效轨迹？

第六，最重要的一点：什么叫“有效”？

因为同样叫“采100小时具身数据”，背后的成本可能完全不是一回事。

一个人戴着GoPro整理货架，和一个人操作几十万元的机器人完成插拔任务，都可以叫“具身数据采集”。

但它们的设备成本、人员要求、失败率、验收标准和最终数据价值，完全不同。

所以未来做具身智能数据，真正要学会的不是背几个英文缩写。

而是听到这些词以后，你能够马上判断：

客户到底要什么数据，数据是怎么生产出来的，以及这笔项目到底能不能做。

我是AI数据标注猿刘吉，跟着我用数据视角看AI世界。