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]

行业背景与核心瓶颈 - 具身智能行业正从实验室走向真实应用 高质量、多样化数据的短缺成为制约行业发展的关键瓶颈[1] - 当前训练数据主要受限于实验室环境与集中式采集模式 难以覆盖真实物理世界中复杂多样的操作交互[1] - 传统数据采集方案面临“数据质量、便携易用、后处理效率”的“不可能三角” 追求便携往往牺牲精度 保证质量则需依赖繁重的后期清洗[2] 公司解决方案：RoboPocket - 公司正式推出“口袋机采”方案 旨在利用智能手机的高度集成能力 将专业级数据采集设备“装进口袋” 解决真实场景数据匮乏与采集成本高昂的难题[1] - 该方案通过复用智能手机成熟的硬件生态 利用手机内置的RGB相机、深度相机及传感器 替代传统昂贵笨重的专业设备 实现从“定点采集”到“随时随地采集”的范式转变[1] - 该方案定位为端侧“智能中枢” 不仅能即时诊断每一帧数据质量、智能指导采集员调整动作 更能通过实时互动动态评估数据价值 让每次采集直接贡献于关键模型进化[2] - 公司希望该方案能打造一套每个普通人都可以操作、“从口袋掏出即可开始采集”的高质量数采方案[1] 技术验证与数据应用 - 基于RoboPocket采集的数据 公司已成功验证其模型的跨平台迁移能力 仅使用手机采集数据训练出的策略 已能在工业相机和机器人系统上自主执行长程任务与双臂协作任务[2] - 这一结果成功跨越了采集终端与部署平台之间的硬件差异 验证了低成本采集数据的可行性[2] - 公司计划未来从真实世界稳定获取可用数据资产 驱动模型快速迭代与成本下降 并将能力以标准化流程交付至药房、酒店等多元化场景 实现规模化落地[3] - RoboPocket将与高精度力控遥操作、人类操作数据等其他数据一同 持续完善并夯实公司的数据金字塔 支撑具身模型在真实世界中的不断演进[3] 公司发展路径 - 从2023年联合发布RH20T大规模数据集 到2025年推出伴随式采集系统 再到此次RoboPocket的发布 公司一直在探索如何更好构建具身智能数据采集系统[2]