在具身智能的研发链条中，一个常见的误区是：把“场景”等同于“背景”。团队花费大量精力采集了某一类环境的海量图像和视频，却发现模型仍然无法完成具体的作业——比如把货架上的商品补满，或者把会议室里的桌椅复位。

原因在于：机器人需要学习的不是场景本身，而是在场景中完成任务的策略。而学习策略，需要的是任务流程数据，而非静态环境数据。

景联文在过去几年的实践中，逐渐形成了一套以任务为中心的数据采集方法论。以下从任务拆解、流程执行、场景匹配三个层面，介绍我们的做法。

一、任务拆解：每个场景都有对应的典型作业

基于对真实生产生活空间的长期观察，我们为每一类环境类型明确了典型任务清单。这些任务不是随意列举，而是来自对相应行业中人工操作流程的实地调研。

客户可以按任务类型筛选数据，也可以组合多个任务形成完整的作业链条。

二、流程执行：按SOP采集，保证任务语义完整

一个任务不是孤立的动作，而是一系列有序的子步骤。例如，“补货”这个任务，在真实门店中至少包含：识别缺货位置 → 取货 → 打开包装 → 上架 → 调整陈列 → 扫描条码 → 回收包装。

我们在采集时，严格按照预定义的标准作业流程（SOP） 执行，并记录每个子步骤的起始与结束状态、涉及的物体、操作工具以及环境变化。这使得采集到的数据天然带有任务时序信息，可以直接用于模仿学习或端到端策略训练。

为了保障SOP的可执行性，我们在场景中提前做好标准化准备：

• 在零售场景中，商超内预设标准化货架采集区域，确保每次补货任务的空间布局一致。

• 在家居场景中，提供场景布局规范图，统一采集物料与摆放标准；还可搭建标准居家模拟间。

• 在办公场景中，依托上千个标准工位和30个独立采集区域，可重复执行桌面整理、会议室复位等任务。

三、场景匹配：真实环境保证任务有效性

任务数据是否有效，取决于执行任务的环境是否真实。在一个模拟的、过于干净的房间里完成的“清洁”任务，与在一个真实住宅（有杂物、有不同材质地面、有宠物毛发的住宅）里完成的“清洁”任务，对机器人的训练价值完全不同。

景联文依托政企协同网络，获取大量真实运营中的环境用于任务采集：

• 家居：合作院校学生宿舍 + 云岩区真实小区、商品房、人才公寓

• 零售：商务局协调的大型商超、无人零售店

• 物流：通过工信部/商务局对接的快递站点、分拨中心、冷链仓、仓储

• 服务业：商务局对接的修车铺、维修店、理发店、打印店、自助洗衣店、美容店

• 办公：三马产业园（上千工位）+ 白云区职院基地（6000㎡，30个独立区域）

• 餐旅：10+家稳定合作酒店，覆盖大堂、客房、餐厅、会议室、服务间

• 户外/交通枢纽/运动：通过政府协同对接真实公共空间

此外，贵州旅游旺季的游客流量，为户外、交通枢纽、零售、餐旅等场景中的任务采集叠加了真实的动态干扰，使采集到的任务数据更具鲁棒性价值。

四、服务模式：从任务清单到定制化采集

我们提供两种服务模式，均以任务为交付单元：

1. 标准化任务数据集  

基于上述12大类环境与典型任务，我们已经完成了常见任务的基础采集。客户可按“环境+任务”的组合方式选购，例如“零售-补货”、“家居-收纳”、“办公-会议室复位”。

2. 定制化任务采集  

客户提供自定义的任务描述及目标部署环境，我们负责：

• 任务拆解与SOP制定

• 场景协调与授权

• 按照SOP执行采集

• 交付带任务时序标签的原始数据及标注结果

具身智能的最终检验标准，是机器人能不能在真实环境中把事做成。而“把事做成”的前提，是它在训练时见过足够多、足够真实的“做事过程”。

景联文所做的，就是将一个个真实的作业任务，从工厂、门店、住宅、医院、学校中“提取”出来，转化为可供模型学习的数据。我们不追求场景的“好看”，只追求任务的“好用”。

如果您正在为机器人的任务泛化能力寻找数据解决方案，欢迎与我们联系。