过去，机器人训练更多依赖遥操作、动作轨迹和二维视频。这样的数据可以帮助机器人学习“一个动作怎么完成”，却很难回答“环境发生变化后应该做什么”。随着具身智能从实验室走向工厂、仓储和家庭，训练数据正在从二维视频升级为包含空间、时间和交互信息的4D数据。

本文以北京市石景山具身智能训练中心的技术升级为例，介绍其从大规模真机遥操作转向多视点4D场景采集的思路，并分析FZMotion光惯融合运动捕捉系统与LuStage-RoboX多视点场景数据采集系统如何共同支撑具身智能训练。

一、为什么机器人训练需要“理解世界”

具身智能的核心难点，不只是让机器人完成某个动作，而是让它能够在不断变化的物理环境中感知、判断并执行任务。

在固定实验室中，光照、物体位置和操作流程通常是可控的。机器人即使只记住了某个动作模板，也可能表现不错。但在真实场景中，物料存在尺寸公差，光照会变化，地面和工位也不一定平整，人员、设备和物体之间还会产生随机干扰。机器人一旦离开训练环境，性能就可能明显下降。

传统的二维视频主要回答“动作是怎样发生的”，但不能完整描述以下信息：

- 物体在三维空间中的位置和运动轨迹；
- 人、机器人和物体之间的接触与交互关系；
- 场景随时间发生的变化；
- 光照、遮挡和形变等真实世界因素。

因此，具身智能训练需要的数据维度正在经历一次升级：从二维视频，到三维静态空间，再到包含时间变化的4D动态世界。理想的数据不仅要记录“做了什么”，还要帮助模型学习“为什么这样做，以及环境变化后应该如何调整”。

二、石景山训练中心为什么要升级

2025年3月，北京首个人形机器人数据训练中心在石景山首钢园揭牌。按照原始资料，训练中心占地约1500平方米，部署了100多台机器人，并设置了家庭康养、汽车装配、3C电子工厂等实景场景。

早期模式以真机遥操作为主：操作员控制机器人完成任务，系统同步记录视频、动作和轨迹数据。这种方式能够快速完成从0到1的验证，也能积累较大规模的轨迹片段。但随着训练深入，两个问题逐渐显现。

 1. 实验室数据与真实环境存在差距

训练场景虽然比纯仿真更接近现实，但仍然相对干净和可控。光照、物料、空间布局和干扰因素与真实产线并不完全一致。模型在理想环境中学到的策略，到了复杂工况下可能缺乏足够的泛化能力。

2. 真机数据的采集成本较高

真机遥操作需要设备、场地和操作人员持续参与。原始资料估算，真机直接采集一小时交互数据的成本约为200元；如果按100万小时计算，成本将达到约2亿元。与此同时，通用具身智能模型还需要更大规模的数据，单纯依靠真机遥操很难满足长期需求。

这意味着，训练中心需要解决的不只是“增加更多机器人”，而是重新设计数据采集方式：用真实采集得到高质量种子数据，再通过重建、标注和仿真扩展数据规模。

三、从“模仿动作”到“构建4D世界”

升级后的技术路线，重点从单纯记录机器人动作，转向记录人在真实世界中的动作、物体和环境变化。

其中，LuStage-RoboX多视点场景数据采集系统采用多相机矩阵，对场景进行全域同步采集。按照原始资料，系统可配置80台4K同步相机，并根据场景和精度要求调整为4、8、16或32等不同视点规格。

与普通单视角视频相比，多视点4D采集能够提供更完整的空间信息，重点记录：

- 人体和物体的三维位置；
- 物体运动、形变和交互过程；
- 场景中的光影变化；
- 多视角之间保持一致的时间信息。

在数据处理方面，系统结合4D高斯溅射（4DGS）等方法，对真实场景进行高保真重建。原始资料还提到，系统借鉴游戏引擎中的LOD（Level of Detail）思想：在关键区域保留较高精度，在全局区域使用相对低精度表示，从而在效果、存储、计算和传输成本之间取得平衡。

这一思路的价值在于，采集系统不再只输出一段视频，而是输出可以被反复观察、重建、标注和仿真的动态场景数据。真实数据可以作为训练“种子”，再用于生成更多不同光照、位置和交互条件下的训练样本。

四、四类数据覆盖机器人的训练链路

升级后的训练中心围绕机器人学习过程，形成了四类数据采集区域。

1. 4D世界模型基础数据

该区域主要使用LuStage-RoboX和多视点相机阵列，采集具有时间连续性的三维场景数据，解决的是“机器人如何观察世界”的问题。

 2. 机器人运动控制数据

该区域主要依托FZMotion光惯融合运动捕捉系统，采集基座运动、组装操作、个体出厂偏差和小脑模型验证等数据，解决的是“机器人如何稳定运动”的问题。

3. 精细操作预训练数据

在手部操作、物体抓取和工具使用等任务中，第一人称视角往往会出现遮挡。原始资料介绍了一种多视点三维重建真值反向标注Ego视角数据的方案，并称其可将部分遮挡工况下的数据完整率从传统约60%提升至99.5%以上。该类数据主要服务于精细操作能力训练。

4. 工业场景后训练数据

面向真实产线，采集系统可以采用非侵入式方式，不改造工位、不暂停量产，让工人保持原有作业姿态。原始资料称，该方案对产线节拍的影响率为0。这里需要特别注意，实际部署效果仍需结合具体工厂、工位和安全规范评估。

四类数据可以理解为一条逐层细化的训练链路：底层是通用的4D世界数据，中间是运动控制与精细操作数据，上层则是面向行业和工位的后训练数据。

五、两套系统如何形成互补

具身智能既要“看懂世界”，也要“在世界中行动”。这也是FZMotion与LuStage-RoboX形成互补的原因。

 FZMotion：记录“如何运动”

FZMotion采用光学定位与惯性补帧相结合的光惯融合架构。光学系统能够提供高精度空间定位，惯性系统则有助于应对遮挡和短时丢失，从而保持动作轨迹的连续性。

在机器人训练中，这类数据不仅包括理想动作，还可以记录关节间隙、个体误差、负载变化和运动偏差。相比只学习一条“标准轨迹”，模型可以进一步学习真实设备在不同条件下的运动差异。

LuStage-RoboX：记录“身处什么环境”

LuStage-RoboX通过多视点同步采集场景，记录人物、物体和环境之间的动态关系。其重点不是单独捕捉一个动作，而是把动作放回真实空间中：人在什么位置、手与物体如何接触、物体如何移动、遮挡如何出现，以及场景如何随时间变化。

如果把机器人控制系统比作人的运动系统，FZMotion更接近“小脑”数据，帮助机器人学会控制身体；LuStage-RoboX更接近“视觉与空间理解”数据，帮助机器人理解所处环境。两者结合，才能形成“人在世界中行动”的完整数字样本。

六、对具身智能产业的启示

世界模型的讨论越来越多，但模型之外还有一个基础问题：高质量、可复用、可规模化的真实数据从哪里来？

石景山训练中心的升级提供了一种值得关注的思路：

1. 用真实场景采集4D数据，提升训练数据与物理世界的一致性；
2. 用高精度运动捕捉记录人的动作和设备差异；
3. 用多视点重建减少遮挡，提升精细操作数据的可用性；
4. 用真实数据作为种子，扩展更多仿真和训练样本；
5. 通过非侵入式采集，尽量降低数据采集对实际产线的影响。

当然，这条路线仍面临不少挑战，包括数据标准如何统一、跨机器人平台如何复用、4D数据如何高效存储和传输、仿真数据与真实数据如何对齐，以及模型训练结果如何在真实产线上验证。训练中心的升级更适合被视为基础设施建设的一次探索，而不是世界模型问题的最终答案。

 结语

具身智能的发展正在从“让机器人模仿动作”，逐步转向“让机器人理解世界并采取行动”。这一变化不仅需要更大的模型，也需要更接近真实物理世界的数据基础设施。

从多视点4D场景采集，到光惯融合运动捕捉，再到面向工业产线的后训练数据，石景山训练中心的技术升级展示了一个清晰方向：机器人训练的核心对象，不应只是孤立的动作片段，而应是“人在真实世界中如何感知、决策和行动”的完整过程。

对于具身智能而言，模型负责建立能力，数据负责连接现实。只有让二者形成闭环，机器人才能真正从实验室走向复杂、开放且持续变化的真实世界。