【摘要导语】 灵初智能近期宣布其具身智能模型Psi-R2基于近10万小时人类操作数据完成预训练，并在MolmoSpaces全球基准测试中登顶。这10万小时数据从何而来？如何采集、处理、质检并最终驱动模型训练？本文从数据全链路的技术视角，深度解析Human Data的规模化工程体系。
核心要点速览
训练数据总量100,889小时：人类数据95,472小时 + 真机数据5,417小时
覆盖294种场景、4,821种任务、1,382种物体，体现任务多样性优先的数据设计哲学
自研外骨骼手套实现亚毫米级3D轨迹精度，采集成本仅为真机遥操作的十分之一
数据信噪比结论：任务多样性 > 物体多样性 >> 场景多样性；感知优先级：精准3D位姿 >> 触觉 > 2D特征
双轨数据分类（高精度可回放 vs 高泛化可扩缩）+ Psi-W0世界模型融入质检环节
一、数据规模与覆盖：以任务多样性为核心
Psi-R2的训练数据由两部分构成：
数据的场景覆盖设计体现了对”操作知识”本质的深入理解。灵初智能通过系统性分析得出结论：对具身模型训练效果影响最大的因素是任务多样性，其次是物体多样性，场景多样性的贡献度相对较低。基于这一判断，数据集在任务类型的覆盖上最为充分：
这一”任务优先”的数据设计哲学，与灵初对数据信噪比的核心结论一致——高质量人类数据的价值在于操作知识的丰富度，而非简单堆砌场景数量。
二、数据采集：自研硬件与极简流程
灵初智能的数据采集体系由两大核心硬件和一个软件引擎组成：
21自由度外骨骼数据手套
这是灵初自研的数据采集核心硬件，具备21个自由度（Degree of Freedom, DoF），能够精确捕捉人手的关节角度、运动轨迹与操作力度。与光学动捕系统相比，外骨骼手套的优势在于：
不受环境光线与遮挡影响，适合仓储、工厂等复杂环境
无需专业动捕棚，操作人员可在真实工作场景中自然采集
采集成本降至真机遥操作的十分之一，支撑规模化数据积累
3D轨迹精度达亚毫米级，远高于纯第一人称视频恢复方案（后者误差为毫米级）
Psi-SynEngine具身数采引擎
这是灵初自研的数据采集与管理软件系统，覆盖从采集到入库的全流程。引擎内置了端到端第一视角人手检测模型，融合时空信息预测MANO参数与位姿，并结合DPVO + Any4D技术栈获取相机内外参及图像深度，实现操作轨迹的精确三维重建。
三、数据处理与质检：端到端管线+世界模型赋能
原始采集数据需经过完整的处理管线才能用于模型训练：
Psi-W0世界模型在质检环节的创新应用值得关注：传统数据质检依赖人工抽检或基于规则的自动检测，效率低且覆盖有限。灵初将Psi-W0的可视化预测能力融入质检流程——世界模型可以根据操作轨迹推演预期结果，如果推演结果与采集数据严重偏离，则自动标记为低质量数据。这一机制实现了基于物理一致性的自动化质检，大幅提升了质量检测的效率与覆盖面。
四、双轨数据分类：高精度可回放 vs 高泛化可扩缩
灵初智能提出了一个具有行业参考价值的数据分类标准：
两类数据的划分，使灵初能够在”数据精度”与”数据规模”之间实现动态平衡：高精度数据确保模型学习的操作质量，高泛化数据则快速扩展模型见过的场景与任务范围。
五、感知模态优先级：3D位姿是核心
在数据的感知模态设计上，灵初智能同样形成了清晰的优先级排序：
精准3D位姿 >> 触觉模态 > 2D图像特征
这一排序的依据在于：3D位姿信息直接编码了操作的几何结构与运动学关系，是机器人执行动作最需要的输入；触觉模态提供接触力与纹理信息，对精细操作（如处理易碎物体）有重要补充价值；2D图像特征虽然信息丰富，但缺少深度维度，单独使用的信噪比最低。
基于这一判断，灵初在数据采集体系中将3D轨迹的亚毫米级精度作为核心追求，触觉信息作为辅助模态补充，2D图像则保持原始状态直接输入模型，不依赖复杂的视觉预处理。
【结语】 10万小时人类数据不是简单的”量”的积累，而是一套包含采集硬件、数采引擎、处理管线、质检体系、分类标准的系统工程。灵初智能通过对数据全链路的深度优化，将人类操作数据从”辅助手段”提升为具身大模型预训练的”核心燃料”，这一定位与技术实践，正在为行业建立Human Data的新标准。
转自：日照新闻网
【版权及免责声明】凡本网所属版权作品，转载时须获得授权并注明来源“中国产业经济信息网”，违者本网将保留追究其相关法律责任的权力。凡转载文章及企业宣传资讯，仅代表作者个人观点，不代表本网观点和立场。版权事宜请联系：010-65363056。
延伸阅读
