“# 人形机器人系列专题之具身数据 # 物理 AI 核心资产，模型迭代孕育数据产业新蓝海 ## 核心观点 高质量物理交互数据是具身智能实现泛化的关键，具身 Scaling Law 初步显现。纵观数字 AI 大模型的发展历程，模型能力边界的突破始终伴随着数据、算力与算法的协同演进。数据是物理 AI 大模型发展的关键资源，是支撑模型训练、能力涌现与智能进化的底层驱动力。具身智能领域的 Scaling Law 已开始获得初步实证支持，如 Dyna-2 在 Ego 第一视角人类视频预训练数据的实验中发现，当数据规模从千小时扩展至百万小时，模型的表现呈现明显改善趋势…”
原始全文
# 人形机器人系列专题之具身数据 # 物理 AI 核心资产，模型迭代孕育数据产业新蓝海 ## 核心观点 高质量物理交互数据是具身智能实现泛化的关键，具身 Scaling Law 初步显现。纵观数字 AI 大模型的发展历程，模型能力边界的突破始终伴随着数据、算力与算法的协同演进。数据是物理 AI 大模型发展的关键资源，是支撑模型训练、能力涌现与智能进化的底层驱动力。具身智能领域的 Scaling Law 已开始获得初步实证支持，如 Dyna-2 在 Ego 第一视角人类视频预训练数据的实验中发现，当数据规模从千小时扩展至百万小时，模型的表现呈现明显改善趋势，为具身 Scaling Law 提供初步证据，预计数据需求将持续扩大。 通用模型厂商加快入局具身智能，触觉数据稀缺性高。部分基础模型厂商数字AI业务ARR增速放缓，向物理世界的延伸有望成为其拓展应用边界的重要方向，具身数据采购需求迅速增长。以GPT-6Astra为代表的多模态通用模型持续向物理世界拓展，在具身领域展现出较强的任务理解、规划与闭环纠错能力，进一步扩大了数据需求主体。当前具身数据积累以视觉信息为主，人类操作视频提供了丰富的行为与语义信息，触觉数据则需要在交互过程中同步记录接触状态，现有触觉数据的供给仍然相对有限。 具身数据采集路线多样，多源数据训练价值凸显。具身数据采集技术路线包括互联网视频数据、Ego第一人称视频数据、仿真合成数据和真实数据等类型，不同来源的数据具备互补价值。1）互联网视频数据规模庞大，是具身智能的数据底座，但缺乏力和触觉信息；2）Ego第一人称视角数据由采集者佩戴头戴式或颈挂式设备，在日常工作环境中自然完成任务，不依赖特定机器人本体，是规模化潜力较高、部署门槛较低的路线，未标注的Ego数据价格约几十元/小时，处理后的高质量数据几百元/小时，Ego设备则为千元级别；3）UMI通用操作接口数据由操作员手持UMI夹爪作为采集工具，采集末端操作信息，提供结构化动作信息，主要优势在于跨本体复用，不依赖特定机器人本体硬件，但动作空间与真实机器人有差距，数据价格几十到几百元/小时，核心装备万元级；4）遥操作数据提供真实机器人执行示范，是高价值的数据类型，主要用于模型后训练，数据价格为几百元至上千元/小时，触觉手套价格分化显著，国内厂商单套售价为万元级别；5）仿真数据支持高效率生成与场景扩展，但核心面临Sim-to-real Gap难题。 国内厂商积极布局数据采集与处理，具身数据有望实现百亿市场空间。具身智能数据产业链覆盖基础设施、数据采集、数据加工及应用等环节，具备软硬件协同、真实场景资源及持续数据交付能力的企业有望形成差异化优势。市场空间方面，展望明年，行业需求向亿小时级迈进，按数百元/小时价格测算，数据市场对应约百亿元市场空间潜力；长期看，借鉴特斯拉智能驾驶数据积累历程，在车辆持续在用、单车日均行驶1小时的假设下，测算到2024年FSD V13模型能力有明显突破时，特斯拉全球车队行驶时间测算约为60亿小时（测算值，仅供参考）。理论上，机器人的数据复杂度远高于智能驾驶汽车，若具身智能形成类似FSD V13重大模型能力突破，则数据需求大概率超越该时长，考虑到未来数据采集成本下降，远期数据市场规模也有望超千亿元，市场空间广阔。 风险提示：具身智能模型进展不及预期，具身机器人出货量不及预期，具身数据采购需求低于预期，数据技术路线变化，数据价格下降及行业竞争加剧。 ## 行业研究·行业专题 ## 汽车 优于大市·维持 证券分析师：唐旭霞 0755-81981814 tangxx@guosen.com.cn S0980519080002 证券分析师：孙树林 0755-81982598 sunshulin@guosen.com.cn S0980524070005 证券分析师：傅嘉良 0755-22940076 fujialiang@guosen.com.cn S0980526100002 ## 市场走势  资料来源：Wind、国信证券经济研究所整理 ## 相关研究报告. 《汽车行业 2026 年 9 月投资策略及中报总结——行业整体利润承压，Cybercab 投入运营》——2026-09-15 《人形机器人本体系列之宇树科技招股书梳理》—— 《汽车行业 2026 年 8 月投资策略-宇树机器人上市在即，关注汽车板块财报行情》——2026-08-20 《重卡行业专题——海外市场空间广阔，出海景气有望长期延续》——2026-08-20 《具身智能产业研究蓝皮书》——2026-08-02 ## 内容目录 前言：数据成为具身智能核心资产与关键瓶颈 5 具身 Scaling Law 初现，数据成为物理 AI 迭代进化的重要资产 5 数据成为具身大模型迭代的核心瓶颈 7 基模厂商需求驱动具身数采加速扩容 12 具身数据：高质量触觉数据稀缺性高，采集与后处理成为核心环节 13 数据类型：视觉数据积累为主，高质量触觉数据稀缺性高 13 数据环节：数据采集与处理是具身数据关键环节 17 数据采集：技术路线多样，多源数据融合是大势所趋 19 互联网视频数据：数量庞大，构成具身数据底座 21 Ego-centric 数据：快速崛起的数据类型，规模化潜力大 22 仿真数据：采集效率及多样性高，但面临 Sim2Real 鸿沟 24 真实数据：价值高，采集成本高 26 市场格局：具身数据产业化进程加速 31 产业链：贯通上游硬件、中游采集、下游模型应用 31 商业模式：定制化服务构成主要商业形态 32 市场空间：以智能驾驶数据积累历程看具身数据市场空间 34 竞争格局：多元主体分工布局，数据质量与规模化交付构筑壁垒 35 风险提示 37 ## 图表目录 图1：数字AI大模型的Scaling Law 5 图2：Dyna-2在百万小时Ego数据中初步验证具身Scaling Law 5 图3：数据是具身智能技术发展的基础 6 图4：数据、算法、硬件构成通用人形机器人三大基础 6 图5：机器人数据飞轮 6 图6：具身数据现存挑战 7 图7：具身数据存量缺口 8 图8：特斯拉智能驾驶数据测算 9 图9：视觉与触觉数据互补程度高 10 图10：视触融合比单模态的操作准确率高 10 图11：多模态数据融合的整体过程 11 图12：GPT-6 Astra展现机器人操作能力，与VLA协同提升复杂任务表现 13 图13：触觉数据规模有限 15 图14：直接加入触觉数据后可能反而导致模型效果变差 16 图15：具身数据关键环节 17 图16：相同数据量下场景多样性影响泛化效果 18 图17：对采集的数据进行配比优化会影响下游任务效果 18 图18：具身数据金字塔 19 图19：具身数据采集技术路线对比 20 图20：魔法原子的Magic-WO融合EGO、UMI、真机与仿真四类操作数据进行预训练 21 图21：枢途科技利用互联网视频数据构建具身数据集 22 图22：枢途科技从基础2D视频中提取具身训练数据 22 图23：EgoMimic研究显示Ego数据能够提高机器人操作能力 22 图24：EgoScale研究显示Ego数据的增加能改善模型能力 22 图25：Ego-centric数据采集过程 23 图26：破晓智能全身Ego数据 24 图27：破晓智能全身Ego数据采集及处理过程 24 图28：Sharpa Tacmap通过触觉仿真训练实现灵巧手操作策略向真机的零样本迁移 25 图29：光轮智能仿真数据 26 图30：仿真数据存在Sim-to-Real Gap问题 26 图31：UMI数据采集 27 图32：智在无界UMI灵巧手BeingBeyond U1 27 图33：诺亦腾动捕数据采集方案 28 图34：GROOT N1数据中有大量遥操作数据 29 图35：遥操作数据采集过程 30 图36：π0.6采用真机回流数据进行训练 31 图37：具身智能数据产业链 32 图38：觅蜂派App众包数据采集模式 34 图39：觅蜂派App众包数据采集模式 34 图40：特斯拉智能驾驶数据测算 35 表1：具身机器人本体厂商数据情况梳理....8 表2：具身数据来源多样....12 表3：具身智能数据类型....14 表4：不同原理的触觉传感器的对比分析....16 表5：具身智能数据评价维度....19 表6：主流具身数据模拟器对比....24 表7：真实数据采集技术对比....26 表8：国内具身数据主要玩家相关信息梳理....36 ## 前言：数据成为具身智能核心资产与关键瓶颈 具身 Scaling Law 初现，数据成为物理 AI 迭代进化的重要资产 纵观数字 AI 大模型的发展历程，智能能力边界的持续拓展，始终伴随着数据、算力与算法的协同演进。大语言模型的发展证明了数据世界的人工智能存在规模定律 (Scaling Law)，即随着数据规模、模型规模和计算资源的持续扩展，模型能力会不断提升。规模定律已经成为推动人工智能能力突破的重要底层范式，也让数据作为智能发展基础资源的价值愈发清晰。如今，随着人工智能从数字空间走向物理世界，通过积累更丰富的物理交互数据来提升机器人的感知、理解与行动能力，正成为具身智能发展的重要探索方向。 具身智能作为人工智能与多学科融合的前沿技术，其演进路径的探索主要建立在 Scaling Law 成立的假设之上，即数据驱动的通用学习范式在物理世界依然有效。尽管当前具身数据规模有限，但数据规模化的价值已开始获得初步具身领域的实证支持。Dyna Robotics 于 2026 年 8 月发布的 Dyna-2 研究报告显示，在第一视角人类操作视频预训练数据的实验中，当数据规模从千小时扩展至百万小时，模型在机器人数据上的离线预测表现，以及经过机器人数据后训练后的真机任务表现，均呈现改善趋势，为具身 Scaling Law 提供初步的证据，将持续拉动大规模数据需求。 图1: 数字 AI 大模型的 Scaling Law  资料来源：Jared Kaplan 等，《Scaling Laws for Neural Language Models》，arXiv，2020，1-30，国信证券经济研究所整理 图2: Dyna-2 在百万小时 Ego 数据中初步验证具身 Scaling Law 人类视频预训练规模扩大，机器人任务表现随之改善  资料来源：Dyna 官网，国信证券经济研究所整理 数据是物理 AI 大模型发展的关键资源，是支撑模型训练、能力涌现与智能进化的底层驱动力。物理 AI 需要机器人在物理环境的交互中形成自主进化的智能闭环：机器人本体被部署到真实场景中→在执行任务中收集真实行为数据→高质量数据被用于模型训练和迭代→更通用的模型被部署到更多的机器人上→收集更多、更高质量的数据，其中数据是闭环飞轮启动起点，支撑具身智能在现实环境中的有效运行、持续迭代。 图3: 数据是具身智能技术发展的基础  资料来源：中国信通院，国信证券经济研究所整理 高质量、大规模数据是支撑具身智能模型发展的关键，数据预训练阶段的可扩展性初步得到验证。已有研究证明，大规模数据对具身基础模型的性能提升具有显著作用。清华大学ManiBox论文指出空间泛化所需数据量与空间体积呈现幂律关系，如果要在38倍的空间泛化内实现泛化，那么数据量需要扩展大约 $38^{\wedge}0.35$ 倍。Generalist AI GEN-0模型研究表明每增加10倍数据，模型性能也会成比例改进。 图4: 数据、算法、硬件构成通用人形机器人三大基础  资料来源：Yuke Zhu，《Pathway to Generalist Robots: Scaling Law, Data Flywheel, and Humanlike Embodiment》，德克萨斯大学奥斯汀分校机器人感知与学习（RPL）实验室，2023:1-46，国信证券经济研究所整理 图5: 机器人数据飞轮  资料来源：Yuke Zhu，《Pathway to Generalist Robots: Scaling Law, Data Flywheel, and Humanlike Embodiment》，德克萨斯大学奥斯汀分校机器人感知与学习（RPL）实验室，2023:1-46，国信证券经济研究所整理 ## 数据成为具身大模型迭代的核心瓶颈 数据是制约具身智能从“演示验证”走向“真实部署”的重要瓶颈。在具身智能的演进历程中，高质量数据被认为是跨越通用精细操作鸿沟的核心要素，随着硬件本体的逐步成熟，算法迭代的瓶颈逐渐转移至数据端。如何低成本、规模化地获取高质量的多模态数据，成为了未来影响具身智能大模型通用性和商业化落地的核心要素。当前行业尚未实现“数据-模型-本体-场景”的闭环，核心卡点在于真机数据采集尚未实现规模效应，合成数据质量不足以支撑可靠的行为学习和真实场景泛化。 根据亿欧智库，当前中国具身智能数据面临多重制约，主要体现在数据供给、采集效率、数据兼容性、多模态处理及行业标准等方面。①数据供给：具身智能模型对数据需求有较强的场景和本体依赖性，数据需要通过真实机器人操作、仿真环境生成等方式获取，并经过相应的标注与处理，导致数据采集和生产成本较高，规模化供给难度较大。②采集效率：数据采集流程复杂、效率有限，制约了数据积累速度及模型迭代进程。③数据兼容性：机器人硬件构型、传感器配置及控制系统存在差异，不同平台产生的数据在格式、维度和语义层面难以统一，跨平台迁移与复用面临较大障碍。④多模态处理：具身智能涉及视觉、触觉、力觉及本体状态等多种模态信息，数据之间具有较强的关联性，对采集设备、数据处理算法及专业人才提出了更高要求。⑤行业标准：行业尚未建立统一的数据采集、标注、处理及使用规范，不同研究机构和企业在数据生产与应用方面仍存在较大差异，同时也缺乏统一的模型能力评价体系和测试基准，不同技术路线难以开展客观、可量化的横向比较。 图6: 具身数据现存挑战  资料来源：亿欧智库，国信证券经济研究所整理 ## ■ 数据需求量大、价格高 根据亿欧智库，具身智能要达到真正可用，至少需要1000万小时级别的真实场景交互数据，然而当前全行业高质量真实物理交互数据总量仅约50万小时，人类视频数据100万小时，数据缺口大。这一结构性稀缺源于具身数据的物理属性（无法从互联网直接获取，需要经过采集、仿真等高成本路径获取）使得数据成为当前产业发展的核心卡点。根据中国信息协会数据集和数据标注专委会等发布的《具身数据发展报告2026》，具身智能真机有效数据的价格约500\~1000元/小时，价格昂贵。  图7: 具身数据存量缺口 模型或数据集/厂商 数据规模 数据类型 Dyna-2/Dyna Robotics 100万+小时 人类第一视角操作视频;部分带3D手部姿态及派生动作标签 GEN-1/Generalist 50万+小时 传感化的真实物理交互数据 Being-HO.8/智在无界 50万+小时 人类视频,以第一视角数据为核心 Psi-R2/灵初智能 10万小时级 人类手部操作数据,包含视觉、关节、语言、触觉等信息 LingBot-VLA 2.0/蚂蚁灵波 约6万小时 5万小时机器人轨迹+1万小时人类第一视角视频 GigaBrain-0.7/极佳视界 3.73万小时 真机、UMI、人类第一视角、仿真、世界模型生成数据 资料来源：亿欧智库，Dyna，Generalist，智在无界，灵初智能，蚂蚁灵波，极佳视界，国信证券经济研究所整理 百万小时正成为多家厂商模型训练与数据采集规划的主要量级，面向通用物理智能的远期需求判断进一步达到千万至亿小时级。我们梳理了人形机器人本体厂商对具身数据的需求量情况，其中，星海图提出百万至千万小时的模型能力突破区间，银河通用计划到2028年将训练数据由100万小时提升至1000万小时，智元姚卯青则估计实现物理世界“GPT时刻”可能需要约1亿小时数据。与上述目标相比，当前已披露的数据积累仍有较大提升空间：根据中国信通院，2026年10月全国已建成启用70多家具身智能训练场，另有40余家在建或规划，相关数据平台已交付150万小时人类视频数据。自变量披露的操作视频规模为数万小时，Figure披露的预训练与中期训练数据接近100万小时。整体看，具身数据需求正向规模化扩张，数量积累与场景覆盖的双重缺口，将持续推动数据采集、处理及交付需求增长。 表1：具身机器人本体厂商数据情况梳理 类别 公司 具体情况 数据需求 智元 智元合伙人、觅蜂科技董事长兼CEO姚卯青提出,实现机器人在物理世界中开箱即用、理解开放式指令及规划任务,所需数据或达亿小时级。 星海图 联合北京亦庄成立“亦数智能”,通过亦数智能,星海图启动100万小时超高质量真实数据计划,目标在2026年完成百万小时数据积累,未来3年实现千万小时规模。 跨维智能 公司在EmbodiChain技术说明中提出,规模化训练需要亿级乃至十亿级交互步数,并通过生成式仿真持续扩增符合物理规律的交互数据,提升数据生成效率。数量口径为交互步数。 训练规划与已有数据积累 银河通用 官网披露已构建百亿级具身智能数据基建“银河星数(AstraData)”;其中,GraspVLA预训练完全使用合成数据,规模达到10亿帧“视觉—语言—动作”对。上述数据分别对应整体数据基建与特定模型的预训练语料。 优必选 2026年的数据收集目标是100万小时。优必选已在柳州、自贡、九江等地打造工业场景驱动的政产学研数据采集与测试中心,预计落地部署机器人将达500台以上。针对汽车生产、物流仓储、机加工智能制造产业等的模拟场景打造千万条规模的真机动作数据飞轮。满效开机下,单台机器人高质量数据条数(即经过数据采集、清洗、标注、对齐后的数据)可达100条/天,对应单台机器人年数据产量400小时以上。 Figure 截至2026年8月25日,Index平台收到超过1,600万条用户上传视频,应用覆盖108个国家;每秒处理约30分钟新上传视频。数据经过质量筛选、防欺诈审核、去重、再平衡及标注后,用于Helix训练。 自变量 WALL-OSS采用数万小时以上的多源训练语料,包括自采机器人动作数据、开源动作数据及多模态视觉问答数据,分别支撑复杂任务学习、跨本体与跨环境泛化,以及视觉语言理解。该时长口径对应文章披露的整体训练语料。 采集部署、供给扩张 宇树 通过全身遥操作系统,今年年底之前宇树能部署几千台甚至一万台人形机器人。“每天采集10个小时的数据,最近的一两年甚至两三年之内,人形机器人的数据问题就可以基本解决。 特斯拉 在2026年第三季度业绩会上,马斯克预计需要制造约1万—2万台Optimus,用于开展自我练习(self-play),并通过Optimus Academy中的多任务实践形成数据回流。该数量属于训练体系建设所需机器人规模的管理层判断。 觅蜂 2026年8月31日,第20,000套MEgo设备下线,累计生产超过100万小时高质量无本体数据,覆盖22大类场景、10,000余个真实环境、50,000余类物体以及500余种细分任务。百万小时数据中,裸手EGO约50万小时、EGO+腕戴约35万小时、EGO+UMI夹爪约15万小时。 资料来源：觅蜂科技，星海图，跨维智能，银河通用，科创板日报，优必选，Figure，自变量，证券时报，特斯拉投资者关系，国信证券经济研究所整理 借鉴智能驾驶数据积累历程，具身数据有望实现百亿市场空间。当前，具身智能数据积累尚处早期，相较于数字 AI 可利用互联网沉淀的海量文本、图像及视频数据，具身智能训练更依赖真实物理交互中形成的感知—动作—反馈数据，采集涉及硬件部署、环境搭建与任务执行，现阶段具身数据供给规模相对有限。随着应用场景拓展、任务复杂度提升及长尾问题涌现，高质量交互数据的需求成为具身智能的重要发展瓶颈。展望明年，若行业需求向亿小时级迈进，按数百元/小时价格测算，数据市场对应约百亿元市场空间潜力。相较当前行业普遍处于百万小时级的数据积累水平，未来需求扩张空间值得重点关注。 展望长期空间，我们参考智能驾驶行业的数据积累与能力演进路径，以特斯拉FSD V13实现显著能力跃升阶段的累计车队行驶时长为参照，估算具身智能数据市场的潜在空间。根据特斯拉，FSD V13在安全性和舒适性上有重大改善，并具备从停车状态启动、驶离车位、倒车和泊车等能力。因此我们重点测算了特斯拉到2024年FSD V13模型能力有明显突破时累积的数据量。长期看，借鉴特斯拉智能驾驶数据积累历程，在车辆持续在用、单车日均行驶1小时的假设下，测算到2024年FSD V13模型能力明显突破时，特斯拉全球车队行驶时间测算约为60亿小时（测算值，仅供参考）。理论上，机器人的数据复杂度远高于智能驾驶汽车，若具身智能形成类似FSD V13重大模型能力突破，则数据需求大概率超越该时长，考虑到未来数据采集成本下降，远期数据市场规模也有望超千亿元，市场空间广阔。 图8: 特斯拉智能驾驶数据测算  资料来源：特斯拉官网、特斯拉投资者关系官网、SEC官网，国信证券经济研究所整理 注：按特斯拉交付量情况、单车日均行驶1小时、车辆持续在用估算累计行驶数据 ## ■ 数据模态多，多模态融合仍存难点 具身智能领域中的数据并非单一模态，而是由多种信息共同构成的复杂组合。典型的具身智能数据包括视觉(Vision, V)、语言(Language, L)、动作(Action, A)以及状态(State, S)等多模态信息的联合体。其中，视觉数据通常来自RGB或RGB-D相机，用于刻画智能体所处环境及目标对象的目标、操作指令或人类意图；动作数据刻画机器人在连外观与空间关系；语言数据用于表达高层次任务续或离散时间上的控制信号，如关节角度、关节返度或末端执行器位姿；状态数据则包含机器人自身的本体信息与环境状态，例如关节状态、力/力矩反馈以及触觉信息等。 将触觉融入感知体系成为人形机器人的重要技术方向。单一感知方式所能提供的信息往往十分有限，视觉传感器提供分辨率的图像全局信息，但难以准确识别物体表面材质、粗糙度、刚度，也受到遮挡、光照条件等诸多限制。触觉传感器能够在强遮挡、细粒度、对接触信息有需求的环境中帮助机器人更准确地感知和控制目标物体，让机器人估计接触区域处的局部信息，但触觉只存在于机器人与物体直接接触的部位，单纯依靠触觉传感器难以对目标物体的位置、外观等全局信息进行全面描述，不足以了解物体的全局状态。 视觉和触觉感知拥有明显的互补特性，多模态融合成为智能感知的理想选择，有望满足人形机器人在复杂环境下的高级任务需求。不同物体可能拥有相似的触觉数据和不同的视觉特征，反之亦然。因此，视觉特征与触觉数据之间的互补性可以有效提高人形机器人的感知能力，满足高级任务需求，例如视觉+触觉的多模态信息进行有效融合后，机器人抓取的准确率有明显提升。视觉与触觉传感器相互融合互补，实现多种传感器信息的综合感知和处理，提高机器人整体的感知能力。 图9: 视觉与触觉数据互补程度高  具体指标 视觉 触觉 视场角 大,全局性 小,局部性 信息丰富度 丰富 相对较少 数据收集难度 低 高 计算资源需求 高 低 资料来源：周天哲，《多模态融合赋能的物体识别与增强技术研究》，南京邮电大学，2023，1-76；Shan Luo等，《Robotic Tactile Perception of Object Properties: A Review》，Mechatronics, 2017, 48:54-67，国信证券经济研究所整理 图10: 视触融合比单模态的操作准确率高  资料来源：黄兆基等，《基于注意力机制和视触融合的机器人抓取滑动检测》，信息与控制，2024，53(2):191-198，国信证券经济研究所整理 多模态数据融合依然存在难点。不同的模态信息在形式和结构上存在不同，实现多模态的高效融合仍然难度较高。整体而言，多模态数据融合通常包括四个关键阶段，即数据获取、数据预处理、数据特征提取、数据融合计算。首先不同传感器获取原始数据，原始数据可能存在噪声或冗余，需要进行滤波、降维等预处理操作。随后，对预处理后的数据选择合适的融合方式进行融合，再进行决策，得到输出结果。 图11: 多模态数据融合的整体过程  资料来源：尹一凡，《机器人触觉传感与多模态感知技术研究》，南昌大学，2024，1-71；杜宇坤，《基于视触融合的机器人抓取方法研究》，西南科技大学，2024，1-84，国信证券经济研究所整理 ## ■ 数据标准未确立 具身智能数据产业发展的核心难点在于统一的数据标准尚未确立。当前，遥操作、UMI、第一视角及动捕等采集路线并行，不同厂商在传感器配置、数据格式、时序同步、动作表征和标注规范等方面存在差异，数据质量评价与交付验收体系仍处于探索阶段。同时，不同机器人本体及模型架构对数据的需求各异，进一步增加了跨平台复用与效果验证的难度。标准体系的缺失推高了数据清洗、适配和交易成本，也使行业定价缺乏统一参照，加大了具身数据规模化生产和应用的难度。 ## ■ 数据来源类型多，融合共享存在困难 支撑具身智能预训练的有效数据形态尚未定型。大语言模型的成功本质上是用全世界的文本数据训练一个大语言模型，从而实现了数字 AI 领域的通用泛化，其数据来源相对较少。然而，具身机器人需要的数据不只是海量的互联网数据，还需要真实世界的动作数据、操作数据等，目前数据采集路线尚未收敛。 不同数据采集/仿真平台的数据集的融合共享存在困难。根据中国信通院，不同真机平台或采集设备在传感器类型、精度、采样率上差异显著，导致真实数据难以有效共享。不同仿真平台采集的数据在数据格式、坐标系、物理参数和任务映射标准等方面均不一致，仿真合成数据整合困难。从数据处理方法考虑，数据标注的精细度、视觉信息处理内容和采样频率可能均不一致。例如 $\pi 0.5$ 的训练数据包括对象检测和视觉问答标注信息。Gemini Robotics-ER的训练数据包括抓取关键点、子任务标注和3D检测框等。 表2: 具身数据来源多样 采集方式 示意图 采集成本 数据质量 数据 轨迹数 机器人种类数 场景数目 动作种类数目 是否有语言标注 人类示教驱动 高 高 RT-1 Datasets 130 k 1 15 700 是 BridgeData 7.2 k 1 12 4 是 BridgeData V2 60.1 k 1 24 82 是 仿真环境驱动 低 一般 LIBERO 6.5 k 1 5 130 是 CALVIN 约 24 h 1 4 34 部分是 Meta-World n/a 1 1 50 否 跨平台数据聚合 一般 较高 OXE 1.4 M 22 311 217 部分是 RoboTwin 2.0 100 k 5 50 50 是 世界模型视频生成 低 较低 DreamGen n/a n/a n/a n/a 是 RoboEnvision n/a n/a n/a n/a 是 资料来源：丁贵广等，《具身智能数据采集与处理综述》，数据采集与处理，2026，41(2):332-346，国信证券经济研究所整理 ## 基模厂商需求驱动具身数采加速扩容 GPT-6 Astra 等多模态通用模型能力持续提升，通用大模型能力边界持续向物理世界拓展，优势集中在语义理解、空间关系判断和任务规划，真实交互数据形成的动作能力仍具有重要价值。以 GPT-6 Astra 为代表的多模态通用大模型已开始探索机器人控制等应用，展现出较强的任务理解与闭环纠错能力。 > RoboDojo 实验表明通用大模型 Astra 与 VLA 模型有互补价值。RoboDojo 实验设置了两种 Astra 控制机器人的方案，包括 Astra Direct 直接生成机器人动作、Astra 与机器人 VLA 模型 π0.5 协同（π0.5 提供候选动作，Astra 结合视觉信息、机器人状态及执行历史，判断动作合理性并进行局部修正）。结果显示，Astra Direct 在 50 次任务中成功 13 次，成功率为 26%，48 个具有完整原生评分的任务平均得分为 37.81，在测评模型中排名第 3。Astra+π0.5 的成功次数提高到 24 次，成功率达到 48%，平均得分升至 62.60，排名上升至第 1，且 Astra 只修改了全部执行控制步骤中的 14.4%，说明 Astra 与 VLA π0.5 在语义推理与机器人动作先验上具有互补价值。 > RoboLab 实验表明通用大模型 Astra 具备零样本泛化能力。RoboLab 实验选取了 10 类任务、合计 50 次评测，GPT-6 Astra Direct 在 50 次实验中成功 49 次，成功率 98%；Astra+π0.5 完成 46 次，成功率 92%，成功率远超其他模型。同时，Astra 没有针对任务进行额外训练，模型根据当前画面、机器人状态和自然语言任务描述，持续判断下一步应该如何操作，展现出零样本泛化能力，模型能够识别目标、理解空间关系，将语言要求转化为动作，并在环境变化后继续调整策略。 基模厂商加快具身智能布局，数采市场有望进入加速扩容阶段。我们认为，基础模型在环境感知、语义理解及任务规划等“大脑”环节的能力不断提升，模型预训练、场景适配与部署迭代将共同拉动数据需求，具身数据有望成为物理智能发展的重要基础设施。随着部分基模厂商数字AI业务ARR增速放缓，多模态能力向物理世界延伸，有望成为其拓展应用边界、培育新增量的重要方向，进而提升具身数据采购需求。展望2027年，若行业需求向亿小时级迈进，按数百元/小时的价格测算，数据市场对应约百亿元市场空间潜力。相较当前行业普遍处于百万小时级的数据积累水平，未来需求扩张空间值得重点关注。 图12: GPT-6 Astra 展现机器人操作能力，与 VLA 协同提升复杂任务表现  资料来源：Galbot Team，《Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies》，arXiv，2026，1-46，国信证券经济研究所整理 ## 具身数据：高质量触觉数据稀缺性高，采集与后处理成为核心环节 ## 数据类型：视觉数据积累为主，高质量触觉数据稀缺性高 具身智能数据类型可按照感知模态、动作执行、认知决策及场景任务四个维度进行划分。 按感知模态划分：视觉数据提供环境、物体及空间关系信息，构成具身模型的重要输入；触觉与力觉数据直接反映接触状态，补充视觉较难获取的物理交互信息；本体感觉数据描述机器人自身运动与姿态，语音、温度、气味等模态进一步拓展感知范围。 按动作执行划分：数据覆盖移动底盘、双足步态及全身控制，并延伸至抓取、装配、放置、工具使用和双臂协作等操作任务，其中灵巧手数据支撑手指级精细操作，夹爪、吸盘等末端执行器数据对应具体工具的动作控制。 按认知决策划分：指令与语义数据承载任务意图，VLA 语料连接视觉观察、语言指令与动作输出，世界模型数据支持物理结果预测，规划与导航数据服务于空间理解和路径决策。 按场景任务划分：数据价值取决于多模态信息与实际作业需求的有效衔接。 行业场景定义机器人的应用环境，任务颗粒度进一步明确操作目标、动作流程及评价标准，并据此决定采集内容与数据组织方式。具身数据建设的核心在于围绕具体任务，将环境观察、本体状态、执行动作及交互结果组织为完整的训练样本，推动感知、决策与执行形成闭环，为模型训练及应用验证提供支撑。 表3：具身智能数据类型 数据维度 细分类型 主要内容及作用 感知模态 视觉数据 通过相机采集环境、物体及空间关系信息,为机器人理解外部环境提供基础输入。 触觉与力觉数据 直接反映接触状态及受力情况,补充视觉较难获取的物理交互信息,支持精细操作。 本体感觉数据 描述机器人自身的姿态、关节及运动状态,为动作控制和身体协调提供依据。 其他感知数据 包括语音、温度、气味等信息,拓展机器人对特定环境和交互需求的感知能力。 动作执行 整机运动数据 覆盖移动底盘、双足步态及全身控制,支撑机器人移动、平衡与身体协调。 臂手操作数据 覆盖抓取、装配、放置、工具使用及双臂协作等任务,支撑操作技能学习。 灵巧手数据 描述手指级动作及协同关系,为精细抓握、物体操控等能力提供训练支撑。 末端执行器数据 记录夹爪、吸盘等末端工具的动作与工作状态,服务于具体工具的操作控制。 认知决策 指令与语义数据 以语言或符号表达任务意图,帮助模型理解操作目标与执行要求。 VLA 训练数据 将视觉观察、语言指令与动作输出关联组织,支持端到端具身模型训练。 世界模型数据 描述环境状态、动作及后续变化,支持模型学习物理规律并预测交互结果。 规划与导航数据 提供空间理解、路径选择及行动规划信息,支撑机器人自主移动与任务决策。 场景任务 场景数据 按行业及应用环境组织数据,明确机器人的作业条件与应用边界。 任务数据 按任务颗粒度定义操作目标、动作流程及评价标准,指导数据采集与训练验证。 资料来源：《具身数据发展报告 2026》，国信证券经济研究所整理 当前具身数据积累以视觉信息为主，触觉数据的供给相对有限。人类操作视频为具身模型提供了丰富的行为与语义信息，触觉数据则需要在交互过程中同步记录接触状态，现有同步视触觉数据的规模相较人类视频仍存在明显差距。触觉数据通过数据传感器和接触物体之间的物理交互来测量接触物理属性。触觉是人类在探索环境时不可替代的信息来源，能够将各种感觉信息（如压力、振动、疼痛和温度）传达给中枢神经系统，帮助人类感知周围环境。与视觉和听觉相比，人类的触觉在处理物体的材料特性和细节形状方面更胜一筹。与人类似，机器人的触摸传感（Touch Sensing）能够将外部刺激转换为可测量信号，实现机器与环境之间的良好交互。 图13: 触觉数据规模有限  类型 数据集/训练语料 披露规模 数据内容及口径 视觉主导 DYNA Dyna-2训练语料 超过100万h 人类操作视频,以头戴第一视角为主,覆盖烹饪、整理、折叠、组装;企业训练语料规模 视觉主导 Build AIEgocentric-100K 100,405小时 头戴相机采集的人类劳动视频,作者数据仓库提供申请访问 视觉主导 NVIDIA EgoScale训练语料 20,854小时 人类第一视角操作视频,配套手部姿态及动作标注 含同步触觉 NeoData 超过30,000小时 真机遥操作与触觉UMI采集,视觉、触觉及动作同步;公开子集5,000小时 含同步触觉 TacClaw-Infinity 超过10,000小时 触觉UMI采集,包含视觉、指端触觉及末端轨迹 含同步触觉 TouchScale 500小时 人体双手触觉手套与头部、腕部视觉同步采集 资料来源：DYNA 官网，Build AI 官方数据，NVIDIA Research 官网，NeoteAI Team 等，《No -Foundation: Towards the Age of Tactile Intelligence》，arXiv，2026，1-35；Fucai Zhu 等，《TacClaw-Infinity: A Large-Scale Vision-Tactile-Language-Action Dataset for Dexterous Manipulation》，arXiv，2026，1-9；Dayou Li 等，《TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning》，arXiv，2026，1-22，国信证券经济研究所整理 ## 高质量触觉数据的采集与融合是当下核心难点。 数据采集方面，采集触觉数据需要将触觉传感器集成至机器人末端、手持采集设备或可穿戴手套，并围绕不同物体、材质和操作方式组织交互。在硬件方面，触觉传感器的技术路线尚未收敛，也加大了当前触觉数据的采集难度。触觉传感器可分为压阻式、电容式、压电式、霍尔效应和视触觉等多种类型。传统基于电信号的触觉传感器（如压阻式、压电式、电容式）需要大量的电子仪器与线路来传输和处理高带宽的传感数据，随着传感器空间分辨率的提高，单位面积内的传感单元数量增多，会出现复杂的布线和串扰等一系列问题，信号收集电路的设计与制作往往比较复杂，而且由于信息转导模式的限制，空间分辨率普遍较低，存在迟滞大、易受电磁干扰等问题。而视触觉传感器直接将接触区域的信息以图像的形式进行编码传输，不需要在传感器上布置复杂的线路以处理电磁信号，极大增加传感器的空间分辨率，并且高维的图像信息适合与基于数据驱动的机器学习方法相结合，以深度挖掘其中的丰富接触信息。 表4: 不同原理的触觉传感器的对比分析 压阻式 压电式 电容式 霍尔效应 光学式 示意图 技术原理 压阻效应是压阻材料受到应力时,载流子数量变化,进而改变内部电阻率,采集电路通过将电阻的变化转化为便于测量的电信号来检测传感器的受力大小 压电效应是当晶体受到法向力时,内部产生电极化现象,撤掉外力时,晶体又恢复到不带电状态。压电式触觉传感器通常被连接到电荷放大器和测量电路上,采集外力相关电信号实现触觉检测 外力作用时,两极板间的相对位置间距和面积发生变化,从而导致电容变化,通过检测电容变化量来获取受力信息 霍尔效应指通电流的半导体薄片中,由于垂直磁场中的洛伦兹力作用,半导体中的电荷向不同侧边偏转,形成电场。当永磁体与霍尔传感器之间的距离发生变化时,传感器的电场强度也相应改变,从而计算形变程度 传感器与接触物体发生触碰挤压时,传感皮肤会产生相应的变形,由视觉相机捕获变形并在设备上成像、计算、分析、解释与变形相关的物理信息 优点 灵敏度较高,检测范围广,结构简单,成本低 线性度好,响应灵敏,动态响应较好 灵敏度高,响应速度快,结构简单,空间分辨率高、功耗低 精度高,响应速度快,具有线性特性 高空间分辨率,高精度,抗电磁干扰 缺点 温度敏感,有滞后现象,重复性、线性度较差 空间分辨率差,测量电路繁杂,易受噪声、温度影响 测量电路复杂,易受噪音、电磁干扰 温度漂移现象,强磁环境下存在干扰问题,成本较高 光照要求高,尺寸较大,可能存在发热问题,成本较高 资料来源：高工机器人，邓刘刘等，《智能机器人用触觉传感器应用现状》，现代制造工程，2018，(2):18-23；朱盛鼎等，《触觉传感器与电子皮肤研究进展》，电子机械工程，2022，38(4):4-9；尹宝凡等，《柔性触觉传感器智能感知技术与应用研究进展》，传感技术学报，2025，38(1):1-20；邹宜桢，《基于视觉的触觉传感器及其在机器人灵巧操作中的应用研究》，浙江大学，2023，1-98，国信证券经济研究所整理 数据处理方面，触觉数据需经过标定、噪声处理和时间对齐，建立接触信号与视觉、动作及任务过程的对应关系，触觉信息的融合方式同样影响训练效果。例如，2026年6月由斯坦福大学、加州大学伯克利分校、英伟达等机构研究者联合发布李飞飞参与署名的T-Rex论文认为，将单时刻指端力信号直接拼接至π0.5的状态输入后，其在12项接触密集型任务中的平均评估得分由17降至6；而针对T-Rex开展的六项任务消融实验中，完整模型得分为65，移除触觉后降至42，凸显了触觉表征与融合机制的重要性。我们认为，触觉数据的难点不仅在于数据采集，还在于触觉与其他模态数据的融合方式。 图14: 直接加入触觉数据后可能反而导致模型效果变差   模型 这是什么方法、具体怎么做 是否使用触觉 平均得分 ViTacFormer 视觉与触觉结合的模仿学习方法。根据示范学习一段连续动作,并通过预测后续触觉帮助学习两种模态的联系。 有 3 RDP 全称Reactive Diffusion Policy。采用“较慢的动作规划+较快的触觉修正”:先规划动作,再根据接触反馈及时调整。 有 6 Tactile-VLA 将触觉接入视觉一语言一动作模型,让机器人同时考虑操作位置与受力。本文复现时采用指端力/力矩作为触觉输入。 有 15 EgoScale 先从大量人类第一视角视频中学习手部操作,再将这些能力迁移到机器人。 无 35 π0.5 原始VLA基线,利用图像、任务指令和机器人自身状态生成动作。 无 17 π0.5+tactile 在上一行基础上,将当前一步的10个手指力/力矩信号,直接拼接到原有状态输入中。平均得分从17降到6,你正文中的负向案例就来自这两行。 有,直接拼接 6 T-Rex T-Rex完整方案,包含专门的触觉编码、训练流程和高频动作修正。 有,专门设计融合方式 65 资料来源：Dantong Niu 等，《T-Rex: Tactile-Reactive Dexterous Manipulation》，arXiv，2026，1-30，国信证券经济研究所整理 ## 数据环节：数据采集与处理是具身数据关键环节 具身数据的关键环节包括上游采集设备、数据采集、数据处理、模型训练、评测应用等。当前，具身数据量不足、数据采集方式尚未收敛，数据采集和处理成为目前的卡点。 数据采集设备：核心难点是产品的系统级设计，全套标定参数以及多模态信息采集传感器之间的毫秒级时间戳对齐，以保证采集设备的可靠性，以及采集回的数据稳定性、可复现性以及可用性。 数据采集环节：主要包括采集任务定义、场景搭建/租赁、人员培训、数据采集，在此过程中，需要进行项目计划制定、进度跟踪、人员调度、风险预案制定等。核心竞争力在于对模型数据需求的理解及采集任务定义、场景资源的获取以及组织运营能力管控能力。 数据处理环节：包括对采集来的数据进行清洗、标注、质量检验（QA）。无本体数据采集门槛降低之后，数据处理难题随之放大，海量、多模态、高对齐精度要求都是对人工标注的挑战。 模型：是数据的应用端，数据的质量需要模型端来评价，验证反馈越快，数据飞轮转的越快，具身智能性能提升的速度越快。 图15: 具身数据关键环节  资料来源：高工人形机器人，国信证券经济研究所整理 数据采集是具身数据的起点，也是形成高质量训练数据的核心环节。采集阶段决定了原始数据的供给规模、场景覆盖与信息完整性，为后续清洗、标注、数据集构建及模型训练提供基础。DROID研究发现，在示教数量相同的条件下，多样化场景数据带来更好的分布外任务表现，进一步体现了采集端对数据训练价值的影响。我们认为，持续获取丰富、完整的真实交互记录，是具身数据产业发展的基础，采集能力构成高质量数据供给的首要支撑。 图16: 相同数据量下场景多样性影响泛化效果  资料来源：Alexander Khazatsky 等，《DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset》，Proceedings of Robotics: Science and Systems（RSS Foundation），2024:1-13，国信证券经济研究所整理 数据处理则是连接原始数据采集与模型训练的核心环节，也是将数据记录转化为有效训练样本的关键。采集获得的视频、传感器信号和动作轨迹，需要经过标准化、时空对齐、动作适配、语义标注及质量筛选，建立环境观察、任务目标、执行动作与交互结果之间的准确对应。处理质量直接影响训练样本的一致性、完整性和可用性，进而影响模型的学习效果。ReMix研究显示，采集数据之后对数据进行配比优化能够改善下游机器人任务表现，进一步体现出数据组织方式对训练价值的影响。我们认为，随着EGO、UMI、遥操作和动捕等采集路线共同发展，数据处理能力将成为连接数据采集与模型应用的重要壁垒。 图17: 对采集的数据进行配比优化会影响下游任务效果  资料来源：Joey Hejna 等，《ReMix: Optimizing Data Mixtures for Large Scale Imitation Learning》，Proceedings of Machine Learning Research（PMLR），2025，270:145-164，国信证券经济研究所整理 注：灰色为按原始样本量形成的配比，蓝色为人工选择配比，橙色为 ReMix 优化配比 ## 数据采集：技术路线多样，多源数据融合是大势所趋 具身智能领域数据包括海量互联网数据、仿真合成数据和真实数据等类型。在构建具身基础模型时，往往会以互联网多模态数据预训练的视觉语言模型为基座，让模型先具备通识知识，再结合仿真合成数据或真机数据训练，使其看懂物理环境、理解行为逻辑、学会动作技能…