行业核心趋势 - 具身智能行业面临高质量、多样化行为数据短缺的瓶颈 传统数据采集方式局限于实验室或“数据工厂”的模拟场景 无法覆盖真实世界复杂多变的环境和行为[2] - 行业借鉴自动驾驶发展路径 数据采集需从少量、受控的实验室环境转向真实场景中的规模化沉淀 以推动模型能力快速演进[2] - 让机器人在家庭、办公室等非受控真实场景中学习是行业关键挑战 需要记录人类世界千奇百怪的行为来训练大模型[2] 公司解决方案：RoboPocket方案 - 公司推出“口袋机采（RoboPocket）”方案 旨在实现轻量化、可控且高质量的真实场景数据采集[1] - 该方案核心硬件仅由智能手机和轻巧的二指机械手组成 借助手机摄像头、深度传感器和算力实时构建环境地图、指导动作并检测数据质量[2] - 方案支持“手的第一视角”和“第一人称视角” 通过多机快速对齐实现同一空间坐标 可突破双臂配对的技术难点[3] - 方案将数据采集门槛降至普通人可参与 用户在家进行叠毛巾、整理零食等日常动作即可转化为机器人可学习的操作信号[2] - 采集过程可实现即时反馈和“现场把关” 使后续数据处理从“灾难性清洗”转变为“有监督的筛选”[2] 公司战略与数据生态构建 - 公司计划通过众包模式激励普通人参与家庭数据采集 用户完成数据采集任务可获得相应回报 从而使数据更真实多样[4] - 公司认为不完美的操作数据同样具有价值 有助于机器人学会识别“不太对”的情况以适应现实世界[4] - RoboPocket是公司数据认知体系与模型训练管线的一部分 旨在将数据生产权交给社会大众 形成“人人可参与、数据有价值、模型能进化”的正向循环[4] - 公司此前已联合上海交通大学发布RH20T数据集 并于2025年推出CoMiner野外伴随采集系统[4] 潜在市场与应用前景 - 该方案有望将数据采集从有限的物理空间拓展至全社会[2] - 收纳师、咖啡师、药剂师、家庭主妇等不同职业和生活习惯者的行为 都将成为机器人学习的潜在教材[4]