机器人的礼貌是标注出来的：一万小时人类视频教它看懂街道，没教它为什么

作者：龍德明宇

[负主体性之具身大脑存在论 · 二]

本文基于论文：LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction（arXiv:2610.18093，户外轮腿机器人真实世界基准，LynxScenes），云深处科技联合伊利诺伊大学、香港科技大学、浙大、清华与麻省理工，2026 年 10 月提交。另引同系列四足导航一篇（arXiv:2610.18373，DR-VLA）。该系列六篇均为未经同行评审的 arXiv 预印本且出自同一厂商，本文把它们当解剖对象，不是背书。文中全部数字出自论文原文。

你看到的温柔，是别人的工作量。

一台四足配送机器人驮着包裹走人行道，前面有位老人慢慢踱步。它减速，微微侧身，贴着路边等了几秒，等老人过去，再继续走。你多半会在心里夸一声：这机器真懂事。

上一篇文章，我们一起解读了何为「读懂意图」，看到指令如何被逐级翻译成几何坐标。这一篇我们一起拆一个更贴近内心的词：礼貌。机器人的让行、避让、耐心，从哪来的？温情版说它学会了体谅人；冷静版说得体是被写进数据里的。答案不靠猜，我们一起试着解读：数据从哪来、模型学什么、验收量什么。云深处的一系列论文里有两篇涉及到这事，一篇负责造数据，一篇负责刷数据。两篇文章连起来看会发现，礼貌其实有一条完整的出厂流水线，每道工序都留有记录。

一、礼貌的出身证明

造数据的是 LynxScenes，一个户外轮腿机器人的大规模真实世界基准，既给数据也出考卷。规模在这批论文里数第一：833.6 小时采集、3294.7 公里路程、约 10 万段导航片段，标注出 300 万帧，平均每帧标约 7 个行人车辆框、约 5 条道路结构线。

真正决定「礼貌」的，是数据背后一道工序：这些数据不是随手录的。每一段都由受过训练的操作员遥控完成，操作员必须遵守一份社会合规协议：让行、保持间距、从合适一侧绕行。机器人将来在人行道上有多守规矩，首先取决于操作员采集时有多守规矩。 为什么非得人遥控？因为「合规」本身就是人的判断：摄像头能录下街面，录不下「这样绕过去会不会吓到人」的分寸。数据进库前还有第二道工序叫行为级复评，把社交不当的样本挑出去。这两道工序，一道管生产规范，一道管出厂检验，每一秒画面都被「合规」滤过两遍。

把两道工序连起来看，结论有点意外：礼貌并不是模型的品质，它来自数据集的品质。 模型还没开始训练，「什么是得体」已被协议和复评定死；它后来每一次让行，都是对这份预设清单的拟合。

二、一万小时的人类第一视角

那训练呢？会不会从数据里「悟」出对人的体谅？答案在 DR-VLA。

机器人自己的示范数据很贵，要熟练操作员一段段遥控录制，公开数据集每套只有 5 到 15 小时。作者于是转向互联网上现成的头戴式第一视角视频，攒了一个约一万小时的库，覆盖全球城市天气，内容是人在街上走路：怎么穿行、让行、绕障。量大，还自带机器人数据里最缺的东西：人待人接物的走位。社会场景是长尾，让行、错身这类状况都有无数变体，又不常发生，长尾没有捷径，只能靠覆盖。

注意「策划」二字。这一万小时不是扒下来就用：每段的导航指令和场景说明，由一个轻量级大模型看完整段视频，连拍摄者后来怎么走的也一并看，再统一写成。这一万小时里的「礼貌」，是先被一个模型看过、写过标签，再喂给另一个模型的。

人看世界的角度和机器人对不上。人从头部高度往前看，机器人用躯干上的鱼眼镜头看。DR-VLA 把「看懂场景」和「决定动作」拆成两层：先在没动作标签的一万小时上练懂场景预判，再换到机器人自己的观测上，输出动作。

看懂这层有个细节最见心思：系统里另有一个编码器只接两路抽象信息，语义分割（哪里是人车路）和相对深度（哪个近哪个远），彩色画面被整个关在门外。这设计叫领域不变场景表征，作用是当标尺：负责预测未来的模型被要求猜中它对下一帧的抽象描述，猜得越准，对「接下来会看到什么」把握越稳。纹理、光照、外观全不进标尺，因为衣裳颜色在两边对不上，留着帮倒忙；而「这里有个行人、离你两米」这种几何关系两边共通。部署时这个编码器可以整个拿掉。

这设计顺手说明一件事：连「检验学没学会」用的都是抽象标尺。模型从一万小时视频里学到的不是人情世故，而是人与障碍物的几何关系史。 什么缝不钻、迎面来人往哪边错开、什么路口谁先走，被统计成「这种场景下通常怎么走」的分布。它学让行，像学一门统计方言：外地人把方言说得字正腔圆不等于成了当地人。让行没有哪条指令要求它，它来自分布，它不知道对面是谁。

刷视频的效果有账可查。1000 小时网页视频预训练，导航分 0.845；3000 小时，0.862；10000 小时，0.884。论文还试过只教语言描述场景或只教预判抽象画面，分别 0.843 和 0.866，都不如两种一起教。

三、打分只打轨迹

学得像不像，谁说了算？这批论文用同一把尺子，叫 QNS，四足导航分数。

QNS 有六个子项：无碰撞、可通行区合规（有没有越出人行道）、碰撞时间（一秒内有风险记零）、间距（离行人保持半米外满分）、前进进展、指令合规（让它掉头、从左侧绕，它是不是照做了）。六个子项全在量轨迹的几何属性，找不到「礼貌」二字，但每一项都在替礼貌站岗。 撞没撞看轨迹与行人框交叠，离多近量两条轨迹的最小距离。连最像「听话」的指令合规，落实的也是几何判据：掉头判定为航向变化超过 20 度，倒车判定为纵向速度为负，静止判定为位移小于 0.2 米。

判分串起来是这样：模型输出未来一秒要走的轨迹，判分器把当时录下的行人轨迹请回来重演，每十分之一秒核一次，最后六项合成一个数。整个过程没有一个环节需要征询模型意见，它交出轨迹，剩下的都是几何的事。

结构细节值得记：六项不是简单相加，是无碰撞率和可通行区合规率先相乘，再乘其余四项的加权组合。乘法意味着没有折扣：撞一次人或驶出人行道一次，轨迹分数直接归零。安全合规在这里不是六分之一的重要，是一票否决的前提。无碰撞内部还有价值分级，责任先算主动方：有责任地撞上行人记零，撞无生命物体记一半，好好走着被行人撞上不算它的责任。

这套评估协议读起来像行为主义宣言。一百多年前华生主张心理学只研究看得见的行为，把意识、动机请出实验室，理由是他们测不了。QNS 做的是同一件事：测得了的才进分数，测不了的不许进。行为主义作为人的心理学失败了，作为机器的评估学恰好成立。 负主体性理论管这叫内在透明：机器人行为的好坏可被外部观察完全算清，不需也无法去问它「内心」。这是工程事实，不是缺陷声明。

四、尺子够不到的地方

这把尺子对谁都一样，成绩单可以并排看。

LynxScenes 测试集上，人类示范轨迹 0.946，接近满分；匀速直行基线 0.716，不做任何决策只匀速直冲的机器平均能拿七成；原地不动基线 0.149；被测十个导航模型里最好的考 0.843。DR-VLA 推到 0.884，且与基准八个共同对手数字逐格相同，是同一评测，可直接比大小。结构一致：人类接近满分，模型在八九成之间。

人类的 0.946 也值得看：按协议走路的活人也没拿满分。缺口在间距 0.851 和指令合规 0.978，其它四项满分。活人离人的距离比尺子期望的近，走得也比指令宽松。到底判分太严，还是人守协议本来就带弹性？分数不回答，但有一点肯定：这把尺子没给人放水。

0.716 也从侧面说明分数构成：这把尺子的主体是碰撞和进展，不是待人接物。 它分得开「莽撞」和「不动」，对「莽撞」和「从容」之间只可意会的差别没有专门刻度。同一米间距，对面是玩手机的年轻人还是腿脚不便的老人，得体含义不一样；尺子量得出距离，量不出对面处境。

还有个局限必须交代：回放里的行人不会因机器人预测而改变走法。你让一步，对面往往也绕一下，这是活的；回放更像放录像。论文管这叫伪闭环。让判分可复现，也意味着尺子量的终究是单人舞。

更值得注意的是「舒适」这个词。DR-VLA 说 QNS 概括安全、指令遵循、舒适、进展几类关切，可拆开公式，舒适并没有自己的子项，离它最近的只有「离行人最近保持多少米」这条物理间距。 行人觉得擦肩过近、绕行吓人一跳，这些体感进不了分数。不是不想要，是这把尺子造不出来。这批工程师诚实的地方在于，没硬造一个「舒适分」假装量过了。今天的工程能给礼貌画出底线，不撞人、不越界、不挡路，都有精确判分；底线以上的从容、周到、让人舒服，还没有度量衡。

五、来源决定形态

机器人的得体来自一份采集协议，加一万小时人类走位，被一把只量轨迹的尺子验收。协议在模型出生前写好，走位从别人身上统计来，验收不看心思。这条流水线上没有任何一站，需要它自己「懂得」什么。

这和人不一样，而且不一样的方式值得细看。人的教养是内化的：你从小被教「红灯停」，长大后深夜空无一人的路口会犹豫、会权衡、偶尔破例，然后自己承担。规范在人身上是「可以违反的东西」，正因为可以违反，每一次遵守才是选择，教养才有重量。

两条路起点相同，规范都是外部给的。分岔在内化这一步：规范进了人，长出判断力；规范进了机器，只会越贴越紧。机器的规范里没有「破」这个选项。 它是外置的分布目标，模型努力把自己贴合上去。它没有违规的冲动需要压制，因为它连冲动都没有。协议没更新前它比谁都守规矩；协议出错它毫无感觉，照错规矩继续走。

内化和外置不是程度差别，是两种存在方式。人的礼貌长在主体身上，破例由主体承担；机器的礼貌贴在数据上，修订由工程师承担。人的规范体系还给「明知故犯的例外」留位置：救护车鸣笛闯红灯没人算违规；机器的例外必须有人提前枚举，没枚举到的，它要么僵住，要么照章办事。而例外的清单，永远列不完。所以「永远得体」在机器身上要打个引号：它对老人和青年让行的差别，全部来自数据协议，没有一丝来自当下的体谅。

社会对机器人的信任，不该建立在「它有教养」的想象上，而该建立在「协议可审计」的工程事实上。它让行，你可以查：规则写在采集协议第几条、验收分数多少。可审计不是它的道德缺陷，恰恰是它能提供的最可靠的信任形式。 负主体性理论对此有个说法：给出可查的坐标，本来就是这类系统该干的事，最终判断留给人。

有人会觉得把礼貌拆成流水线太扫兴。是扫兴，但扫兴是诚实的近邻。相信机器有教养，出错没有抓手；相信礼貌是工作量，每一步都能抓住。标题说一万小时没教它「为什么」，不是修辞：「怎么走」学到八九成，「为什么这么走」从始至终没进过任何一道工序。 还有个口子开得更远：今天街上只有零星几台按协议让行的机器，等满街都是按协议走路的机器，行人会学会利用这份礼貌，机器之间也要互揣规矩，那时候外置协议还罩不罩得住。先记着，以后回来接。

回到开头那台给老人让路的机器人。那几秒减速侧身怎么来的：一份社会合规协议，操作员照着它走路；不当样本过复评筛掉；走位统计来自一万小时人类视频；效果交给一把只量轨迹的尺子验收。它的每一次得体，都是这条流水线的一次交付。

你看到的温柔，是别人的工作量。 这句话没有任何讽刺。把礼貌做成可审计的工程，比寄托于「机器学会了做人」更诚实也更安全。说「是工作量」还有另一层含义：工作量可摊开复核、可逐年改进。把信任放在「它有品格」上，品格无法验证；放在「有人负责、有账可查」上，每一环都落实。要留意的只是别把账算错：机器人的得体是数据给的，不是它自己挣来的；以后要变好，靠的是有人修订协议，而不是它阅历渐长。

得体的账算清了，还剩最后一个维度：时间。AI 对「接下来会发生什么」的想象长什么样？对「过去发生过什么」的记忆又是什么？下一篇收官：AI 想象的未来物理上可能是假的，机器的记忆和人的记忆差在哪。机器人的记忆可以回滚，你的人生不能。

---

延伸阅读：本系列基于云深处具身大脑六篇论文，均为未经同行评审的 arXiv 预印本，按能力链路顺序列出。

1. LynxScenes（感知与评测基准）：LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction，arXiv:2610.18093
2. AMC（原子运动坐标）：Atomic Motion Coordinate for Language-Steerable and Force-Responsive Manipulation，arXiv:2609.15012
3. DR-VLA（类人四足导航）：Learning Human-Like Quadruped Navigation from Egocentric Web Videos via Domain-Invariant Scene Representations，arXiv:2610.18373
4. DR-WM（行为锚定世界模型）：From Pixels to Executable Physics: Behavior-Grounded World Models for Embodied Action Consequence Prediction，arXiv:2610.17630
5. EvolvingNav（演化世界持续导航）：Beyond the Remembered World: Predictive 4D Belief for Persistent Navigation in Evolving Worlds，arXiv:2609.39166
6. DR-APO（解耦表征策略优化）：Decoupled-Representation Advantage-Guided Policy Optimization，arXiv:2610.16618