近日，具身智能領(lǐng)域的真實(shí)數(shù)據(jù)采集技術(shù)迎來重要突破。螞蟻數(shù)科天璣實(shí)驗(yàn)室團(tuán)隊(duì)推出了一款名為AoE（Always-OnEgocentric）的持續(xù)性第一人稱視頻采集框架，以低成本、輕量化的方式，為具身智能的數(shù)據(jù)采集提供了全新解決方案。只需一部手機(jī)和一個(gè)成本低于20美元的頸掛式支架，即可替代以往動(dòng)輒數(shù)萬美元的專業(yè)采集設(shè)備，有效化解了具身數(shù)據(jù)采集成本高昂、規(guī)模化難的行業(yè)難題。相關(guān)技術(shù)論文已在Arxiv平臺(tái)發(fā)布。

隨著基礎(chǔ)模型的持續(xù)演進(jìn)，模型的泛化能力與跨場(chǎng)景適應(yīng)性愈加依賴于真實(shí)世界交互數(shù)據(jù)的規(guī)模、質(zhì)量與覆蓋廣度。AoE的核心創(chuàng)新在于將“人+手機(jī)”轉(zhuǎn)化為可持續(xù)運(yùn)行的輕量數(shù)據(jù)節(jié)點(diǎn)。其載體是一款符合人體工學(xué)的頸掛式支架，通過機(jī)械夾具或磁吸等方式將手機(jī)穩(wěn)固于胸前，持續(xù)采集貼近用戶視角的第一人稱畫面，從而完整記錄人類在自然交互過程中的操作細(xì)節(jié)。

在技術(shù)表現(xiàn)上，AoE方案實(shí)現(xiàn)了毫米級(jí)的軌跡跟蹤精度與超過90%的手部關(guān)鍵點(diǎn)識(shí)別準(zhǔn)確率，并支持?jǐn)?shù)千臺(tái)設(shè)備并行采集與云端自動(dòng)化處理。以宇樹G1機(jī)器人執(zhí)行關(guān)電腦任務(wù)為例，僅依靠50條遙操作數(shù)據(jù)時(shí)成功率為45%，引入200條AoE采集的真實(shí)數(shù)據(jù)后，成功率提升至95%。在數(shù)據(jù)匱乏的情況下，AoE發(fā)揮了關(guān)鍵的“啟動(dòng)學(xué)習(xí)”作用，有效支撐模型從零開始構(gòu)建基礎(chǔ)能力。

低成本采集僅為起點(diǎn)。研究團(tuán)隊(duì)進(jìn)一步攻克了“長(zhǎng)視頻轉(zhuǎn)化為訓(xùn)練數(shù)據(jù)”的技術(shù)難關(guān)。該方案依托端側(cè)輕量級(jí)視覺模型，自動(dòng)識(shí)別手物交互行為并觸發(fā)錄制；隨后借助大語言-視覺模型，將連續(xù)視頻切分為帶有語義標(biāo)簽的原子動(dòng)作片段；最終通過云端自動(dòng)標(biāo)注、清洗與過濾，將原始視頻轉(zhuǎn)化為高質(zhì)量、標(biāo)準(zhǔn)化的訓(xùn)練數(shù)據(jù)集。

此外，AoE構(gòu)建了一套完整的端云協(xié)同體系，實(shí)現(xiàn)了從數(shù)據(jù)采集、預(yù)處理、清洗、篩選到調(diào)度的全流程自動(dòng)化，有效降低人工介入的同時(shí)，大幅提升了整體數(shù)據(jù)處理的吞吐量與效率。