机器人不在场,也能采出可训练的操作数据吗?无本体第一视角采集(egocentric collection)给出了肯定答案:人以「采集器」的身份进入真实场景,头戴多相机、手持夹爪随行即采。它用脱离本体约束换来了产能与成本优势,代价则是本体真值的缺失。
从 UMI 说起
这条路线的公开起点是斯坦福开源的 UMI(Universal Manipulation Interface):GoPro + 手持夹爪 + 基准标记定位,成本百美元级(DIY 口径),证明「手持工具即可采集本体无关示范」。之后的商用套件演化为两种形态:头戴式视觉终端(多相机 + 腕部相机 + IMU)与采集夹爪(记录双手末端轨迹、夹爪状态与触觉),两者协同输出多模态数据流。
数据长什么样
- 第一视角 RGB(头戴多路 + 腕部视角)
- 头/手运动轨迹:由 IMU + 视觉里程计重建,商用套件宣传毫米级重建与多设备毫秒级对齐(厂商口径)
- 深度 / 触觉 / 音频:视硬件配置可选
- 夹爪状态:开合与施力轨迹
产能与成本
整套设备万元级/套,显著低于真机遥操作工作站;采集由人力驱动,上量快、可多点并行。产能上限受两个物理约束:操作员疲劳与设备续航(头部厂商标称 24 小时续航、换电不断电)。真正决定产能上限的其实是采集规范——任务怎么分段、异常怎么处理、场景怎么轮换,规范越细,批次可用率越高。
核心短板:没有本体关节真值
人手不是机器人关节。无本体数据里没有关节角与真实力矩,动作信息需要经坐标对齐与动作空间迁移才能映射到目标本体——迁移质量决定这批数据的最终可用度。精细接触类任务(多指协调、力控插接)仍然需要遥操作真机数据补齐,两条路线是互补而非替代关系。
护城河不在设备
单点硬件可以被复制;可复用的是「设备 + 设备校准 + 设备端标注与质检流程」组成的数据闭环。评估一条无本体能产线时,该看的不是头显参数,而是校准规程、批次一致性核验和脱敏流程是否成体系。
适用场景
长时程真实工况的人类示范、真机难以进入或难以复现的长尾场景、需要快速铺量的通用操作——这些是无本体路线的主场。与遥操作(质量打底)、仿真合成(长尾补充)组合,构成完整的产能分层。