【摘要導語】 靈初智能近期宣布其具身智能模型Psi-R2基于近10萬小時人類操作數據完成預訓練，并在MolmoSpaces全球基準測試中登頂。這10萬小時數據從何而來？如何采集、處理、質檢并最終驅動模型訓練？本文從數據全鏈路的技術視角，深度解析Human Data的規模化工程體系。
核心要點速覽
訓練數據總量100,889小時：人類數據95,472小時 + 真機數據5,417小時
覆蓋294種場景、4,821種任務、1,382種物體，體現任務多樣性優先的數據設計哲學
自研外骨骼手套實現亞毫米級3D軌跡精度，采集成本僅為真機遙操作的十分之一
數據信噪比結論：任務多樣性 > 物體多樣性 >> 場景多樣性；感知優先級：精準3D位姿 >> 觸覺 > 2D特征
雙軌數據分類（高精度可回放 vs 高泛化可擴縮）+ Psi-W0世界模型融入質檢環節
一、數據規模與覆蓋：以任務多樣性為核心
Psi-R2的訓練數據由兩部分構成：
數據的場景覆蓋設計體現了對”操作知識”本質的深入理解。靈初智能通過系統性分析得出結論：對具身模型訓練效果影響最大的因素是任務多樣性，其次是物體多樣性，場景多樣性的貢獻度相對較低。基于這一判斷，數據集在任務類型的覆蓋上最為充分：
這一”任務優先”的數據設計哲學，與靈初對數據信噪比的核心結論一致——高質量人類數據的價值在于操作知識的豐富度，而非簡單堆砌場景數量。
二、數據采集：自研硬件與極簡流程
靈初智能的數據采集體系由兩大核心硬件和一個軟件引擎組成：
21自由度外骨骼數據手套
這是靈初自研的數據采集核心硬件，具備21個自由度（Degree of Freedom, DoF），能夠精確捕捉人手的關節角度、運動軌跡與操作力度。與光學動捕系統相比，外骨骼手套的優勢在于：
不受環境光線與遮擋影響，適合倉儲、工廠等復雜環境
無需專業動捕棚，操作人員可在真實工作場景中自然采集
采集成本降至真機遙操作的十分之一，支撐規模化數據積累
3D軌跡精度達亞毫米級，遠高于純第一人稱視頻恢復方案（后者誤差為毫米級）
Psi-SynEngine具身數采引擎
這是靈初自研的數據采集與管理軟件系統，覆蓋從采集到入庫的全流程。引擎內置了端到端第一視角人手檢測模型，融合時空信息預測MANO參數與位姿，并結合DPVO + Any4D技術棧獲取相機內外參及圖像深度，實現操作軌跡的精確三維重建。
三、數據處理與質檢：端到端管線+世界模型賦能
原始采集數據需經過完整的處理管線才能用于模型訓練：
Psi-W0世界模型在質檢環節的創新應用值得關注：傳統數據質檢依賴人工抽檢或基于規則的自動檢測，效率低且覆蓋有限。靈初將Psi-W0的可視化預測能力融入質檢流程——世界模型可以根據操作軌跡推演預期結果，如果推演結果與采集數據嚴重偏離，則自動標記為低質量數據。這一機制實現了基于物理一致性的自動化質檢，大幅提升了質量檢測的效率與覆蓋面。
四、雙軌數據分類：高精度可回放 vs 高泛化可擴縮
靈初智能提出了一個具有行業參考價值的數據分類標準：
兩類數據的劃分，使靈初能夠在”數據精度”與”數據規模”之間實現動態平衡：高精度數據確保模型學習的操作質量，高泛化數據則快速擴展模型見過的場景與任務范圍。
五、感知模態優先級：3D位姿是核心
在數據的感知模態設計上，靈初智能同樣形成了清晰的優先級排序：
精準3D位姿 >> 觸覺模態 > 2D圖像特征
這一排序的依據在于：3D位姿信息直接編碼了操作的幾何結構與運動學關系，是機器人執行動作最需要的輸入；觸覺模態提供接觸力與紋理信息，對精細操作（如處理易碎物體）有重要補充價值；2D圖像特征雖然信息豐富，但缺少深度維度，單獨使用的信噪比最低。
基于這一判斷，靈初在數據采集體系中將3D軌跡的亞毫米級精度作為核心追求，觸覺信息作為輔助模態補充，2D圖像則保持原始狀態直接輸入模型，不依賴復雜的視覺預處理。
【結語】 10萬小時人類數據不是簡單的”量”的積累，而是一套包含采集硬件、數采引擎、處理管線、質檢體系、分類標準的系統工程。靈初智能通過對數據全鏈路的深度優化，將人類操作數據從”輔助手段”提升為具身大模型預訓練的”核心燃料”，這一定位與技術實踐，正在為行業建立Human Data的新標準。
轉自：日照新聞網
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
