语言模型可以消费整个互联网，具身智能却没有这样的捷径。它需要的，是把观测、物理状态与动作耦合在一起的数据——而数据的精度，决定了世界坐标的精度。

具身智能缺的不是数据量，缺的是时序对齐、手在画面、任务完整、带标定、可被模型直接消费的数据；行业不缺采集，缺的是统一标准、可审计质量、可持续扩量的数据管线。DROID等大规模实证研究揭示：数据多样性比数据量更可靠地提升模型性能；当轨迹重复、标注不准、信号同步差时，单纯堆叠数据量收益有限。

景联文科技以“一个定义·两条产线·三级交付·四道检验”为骨架，以44项可测判据为标尺，将「有效小时」作为质量、产能与计价的统一基准，推出具身数据管线。覆盖从纯第一视角、腕部相机、UMI夹爪、动捕手套到真机遥操作的完整采集形态，让数据从“采回来”走向“训得动、验得过、交得清”。

有效小时：

先定义“可用”，再谈规模

景联文科技对合格具身数据给出明确准入定义：在标准化设备上采集，时序与多视角严格对齐，手在画面内且任务过程完整，带标定与传感器原始信息，经过合规筛除，并可被模型直接消费的连续片段。

核心计量单位是有效小时：通过全部强制项、扣除七类无效项、综合评分不低于70分、合规通过后的数据时长。有效小时同时作为质量口径、计价口径与产能口径，三者取值一致。客户买到的不是“采集时长”，而是真正可训练、可验证、可交付的数据资产。

七类扣除项包括：语义噪声、手部数据缺失、画质不合格、时序异常、设备干扰、合规剔除、任务外时段。每一类都须逐条记录起止时刻与原因，拒绝“只给总数、无法审计”。

预处理：

把物理世界翻译成模型坐标

原始影像从来不是拿来就能训练的。镜头畸变、位姿漂移、手部抖动、深度空洞——这些藏在原始帧里的误差，如果不经处理，会原封不动地传导给模型，变成机器人动作里的每一次失误。

景联文科技具身数据管线覆盖视频、动作轨迹、姿态，以及按配置接入的触觉/力觉等多模态数据的统一处理及时间戳对齐。在平台技术规划中，预处理进一步分为两层：先通过格式标准化、完整性校验和时空对齐，让原始数据可被一致读取；再通过视觉重建、遥操作解析与跨模态融合，生成具有明确物理含义的训练样本。

多设备格式标准化：面向Ego头显、数据手套、遥操作主手和双臂机器人，统一解析视频、惯性测量单元（IMU）、手指关节角、末端位姿及力觉等数据，转换为一致的内部数据结构。不同设备记录的是不同形态的信号，只有先明确字段、单位与坐标约定，后续算法才能在同一套规则下处理。

完整性校验与异常清洗：检查文件头尾、帧序号连续性和时间戳单调性，识别坏帧、花屏与丢帧，并检查IMU饱和、关节角超限、力传感器断线等异常。低质量片段需要定位到具体时段，采集空档、设备调试和故障段则进入无效数据处理。对于真实操作中的失败轨迹，应与设备故障区分，保留其原因与上下文，为后续纠错学习提供素材。

多模态时空对齐：视频、深度、IMU和机器人关节数据需要在统一时间基准下关联；不同采样率的数据可按训练需求进行插值、滤波与重采样，但长时间缺失不能靠插值“补真”。空间上，还要把手部关键点、物体位置和机器人末端位姿变换到约定坐标系。以抓杯子为例，图像中的接触瞬间、手指闭合和末端受力应对应到同一动作阶段。

几何校正与坐标统一：镜头去畸变依赖相机内参和畸变系数；双目校正则为左右图像建立一致的几何关系，便于由视差恢复深度。手部关键点、物体位置与相机位姿还需要通过外参变换进入约定坐标系，统一长度单位和轴方向。若训练前裁剪或缩放图像，也应同步更新内参和标注坐标，避免画面变了、几何关系却沿用旧值。

Ego视觉重建：从逐帧手部检测出发，结合视觉定位与惯性信息估计相机位置和朝向，再重建每只手的三维关键点。在具备同步多视角视频及相机标定信息时，规划进一步重建全身姿态，并约束手部与身体在腕部的一致性；物体追踪和手物接触识别则作为扩展方向。输出由此从“哪里有一只手”，延伸到“手如何运动、与什么物体发生交互”。

真机遥操作解析：处理双臂关节轨迹、末端位置与朝向，以及三维力和三维力矩，形成标准化运动状态序列。更关键的是对照控制指令与执行反馈，计算期望轨迹和实际轨迹的跟踪误差，定位偏差过大的片段。相比只看动作画面，这类数据还能解释机器人“打算怎么动、实际怎么动、受到了什么力”，为分析执行失败提供依据。

跨模态训练样本生成：对于同次采集、具有可靠时间对应关系的数据，将Ego图像、手部姿态、关节轨迹与末端力觉绑定为“视觉—动作”样本，再按完整任务组织成Episode（一次任务执行片段）。规划还包括关联动作基元标签、生成成功与失败对比样本，使模型既能学习动作示范，也能利用失败回退信息。独立采集的人类示范不能仅凭任务名称相同就与真机轨迹逐帧配对。

在整体技术路线中，这些处理环节与十阶后处理流程衔接：

probe → undistort → slam → handpose → lift → depth → segment → actions → caption → package

在流程上，probe负责前置数据探查，其余环节衔接几何重建、动作理解与交付：

• 去畸变：结合相机内参与畸变系数完成镜头校正，为后续重建提供一致的成像几何；

• 位姿解算：采用ORB-SLAM3双目+IMU紧耦合方案解算6DoF相机位姿，赋予物理尺度；

• 手部姿态：基于HaMeR逐帧预测MANO参数化手部模型，重建手部网格与关键点；遮挡、截断及手套场景的结果需结合质量检查判断有效性；

• 三维抬升：结合标定与深度信息，将图像关键点映射到三维空间，并对连续轨迹进行时序平滑；

• 稠密深度：采用FoundationStereo立体深度基础模型，实现逐像素稠密深度；

• 分割与跟踪：SAM2+BoT-SORT完成物体分割与跟踪；

• 动作序列：组织与观测对齐的动作标签，并按目标策略的动作空间明确表达方式；

• 语义描述：Qwen3-VL生成中英文描述，仅在L3语义交付时开启；

• 封装校验：交付包封装与校验，确保六项交付件齐全。

全部处理保留原始数据与处理记录，每一帧都可回溯到对应的任务、批次与设备。预处理流水线以跟上采集速度、减少数据积压为建设目标，实际吞吐需结合输入规格、硬件配置与并发负载验证。

预处理不是“美化”，而是把物理世界的坐标，精确地翻译成模型能读懂的坐标。

pose精度：

从像素到毫米的坐标链

单目手部重建的经典难题，是深度方向不受约束、尺度存在歧义。景联文科技的解法，是用一条完整的坐标链把精度钉死：

双目+IMU紧耦合SLAM提供带物理尺度的相机位姿→HaMeR提供MANO手部形状与姿态估计 → 结合标定、三维抬升与稠密深度约束物理尺度 → 在真机场景中通过手眼标定关联相机与机器人坐标系。

0.15 像素的内参重投影误差意味着标定进入亚像素级；≤0.5mm 的手眼标定残差（适用于腕部相机与真机末端标定），让机器人把「看到的」与「做得到的」对齐到同一条坐标链上；手部关键点相对误差小于 5 mm，才谈得上对灵巧操作的精确示范。

标注环节以一致性κ≥0.80为硬线，低于阈值触发复核并重训标注员。景联文科技要的，不是「看起来对」的数据，而是「经得起双人盲标」的数据。

depth精度：

让手-物交互“可测量”

手-物交互的精细度，取决于深度信息的完整度。景联文科技在数据管线中输出稠密深度图，并对最考验工艺的手部区域单独设防：

手部深度缺失率均值不超过 1%，最大不超过 5%。

深度缺失率反映数据的完整程度，毫米级测量能力还需结合距离误差单独验证。在技术实现上，深度图可通过相机内参反投影为三维点，再通过外参与位姿变换，与手部姿态及动作对齐到约定的世界坐标系（action_frame: world）。只有几何关系、时间关系与有效区域同时明确，手与物体的相对位置才有可比较的基础。

当depth足够密、足够准，机器人才谈得上“灵巧”。

数据金字塔与两条产线

景联文科技具身数据管线不是单一形态采集，而是分层递进的数据金字塔：

• L0纯第一视角Ego：头戴式相机，大规模预训练，覆盖场景多样性与任务变体；

• L1 Ego+腕部相机：提升手部姿态与接触状态观测精度；

• L2 Ego+UMI 夹爪：提供可直接映射至机器人夹爪的动作示范，低成本动作桥接；

• L3Ego+数据手套：全手指关节角、手部姿态，精细手部操作；

• L4真机遥操作：真实动力学与接触验证，闭环执行锚点。
  
  

各层通过同任务对齐组关联：同一任务ID、物体版本、初始状态、成功与失败条件。真机失败可回溯至Ego、UMI、手套数据定位原因，形成“看到→理解→迁移→执行”的完整证据链。

生产按两条独立产线组织，互不顶替、不得相互折算：

• 第一视角线：以头部相机加动捕手套/UMI 为默认形态，按 L2 结构化层级生产，承担预训练与泛化主力；

• 真机遥操作线：按 L3 语义层级生产，关节指令与失败标注为必备内容，提供真实动力学与接触验证。

一期规划目标为1万有效小时：100套Ego头戴设备、30双手套、3台真机，采集比例约70%纯Ego、27% Ego+手套、3%真机遥操作。

二期方向扩展至10万有效小时：Ego设备≥200套、手套≥100双、UMI夹爪≥50套、真机（双臂/轮式/人形）≥20台，完整覆盖金字塔各层级。

真机线失败与非最优轨迹占比不低于本线总量7.5%，为世界模型与纠错策略提供高价值素材。

三级交付按字段完整度分级：

• L1原始：视频流、惯性数据、标定内外参、元数据、质检报告；

• L2结构化：在L1基础上增加手部与人体关键点、关节角、参数化模型、深度、物体位姿与轨迹；

• L3语义：在L2基础上增加动作基元切分、中英文描述、任务与子任务树、失败标注。

缺少标定或传感器原始信息的数据只能按L1交付，不得升级。主交付格式为MCAP，兼容LeRobot、HDF5与JSON，导出后可直接接入主流训练框架，无需二次转换。

每套交付件确保六项资料齐全：数据集、数据清单、样例包、问题记录、质检说明、标定文件；

万小时级大额订单采用三段式交付：先完成不少于10小时的试采验证，再交付 50% 中期产能，最终完成全量交付。

平台闭环与交付验收：

数据不仅要合规，更要“有用”

景联文科技平台覆盖采集任务、采集看板、上传与批次管理、质检任务、Episode 管理、清洗预处理、标注任务、具身视频标注、质量复核、数据集构建、版本归档与客户验收。

生产端实行日级闭环：每天3—4个任务包，小样验证通过后放量；三色门禁控制继续、修订或停采；日终模型回放、失败归因，次日任务修订，形成“采集—评测—优化”日级闭环。

扩量前设置Q1硬门禁，涵盖真机语义有效率、UMI/手套语义有效率、Ego候选可用率、多模态完整率、标注一致性Kappa、近重复率、自动质检时效等指标。任一不达标，不得提前采购二期设备，须整改后复验。

在自动检验与人工抽检之外，景联文科技另设模型验证：每批数据在固定基线模型与固定评测任务集上完成训练验证，记录指标增益、数据效率与负增益复核。自动检验判断“是否合规”，模型验证判断“是否有用”，两者不可相互替代。

合规方面，人脸与身份信息自动模糊召回率不低于98%，门牌、屏幕、证件、车牌同等处理；脱敏保持时序一致性，实行原始区、脱敏区、可发布区三级存储；传输采用HTTPS/SSL，存储采用AES-256，支持私有化部署，数据不出客户网络。开源数据集发布前单独执行完整合规审查。

交付件六项齐全：数据、清单、样例包、问题记录、质检说明、标定文件。万小时级订单执行三段交付：先试采≥10小时验证，再上量至50%，最后全量交付。

具身智能没有捷径。模型能力的上限，取决于数据管线的下限。

从第一视角到真机遥操作，从场景多样性到动作可执行性，从数据采集到模型闭环——景联文科技愿与行业伙伴一起，让机器人真正从“看见”走向“做到”。

如需获取试采包、交付清单样例与具身数据管线合作方案，欢迎后台留言或联系我们咨询对接。