机器人前瞻（公众号：robot_pro）
作者 | 许丽思
编辑 | 漠影

今年以来，机器人争相下地干活，急迫地想在真实世界里装配零件、端茶倒水、清扫整理，证明自己的产业价值。

只不过，当大批机器人雄心勃勃地推开现实世界的大门，却往往面临两大问题：

一是高质量数据稀缺，二是模型泛化不足。前者决定训练上限，后者决定落地表现，这两者直接限制了具身模型在复杂场景中的可用性。

虽然现在的数据路线存在较大分化，但自去年Generalist AI清晰验证了Scaling Law的存在后，一个共识正在被不断强化：数据规模、数据多样性与标准化评测体系，正是决定模型上限和泛化能力的关键约束。

从这个角度看，行业今天争夺的早已不只是数据量本身，而是更高真实性、更高完整性、更强迁移性的身体数据生产能力。

最近，超维动力推出KAI Halo四摄头环数据采集设备，正是针对这一痛点给出系统性方案。硬件负责降低入口门槛，让更多场景能采，后续的平台负责把采集到的数据进行质检、标注、检索、训练和部署，让原始数据变成真正能被模型使用的训练资产。这样，具身智能的数据基础设施才能真正得以重构。

一、超维动力 KAI Halo：把数据采集门槛打下来

人形机器人一旦进入家庭、酒店、商超和康养场景，任务就不再只是简单的抓取和放置——它要学会在狭窄通道里侧身通过，在低矮货架前弯腰下蹲，在人与物频繁流动的环境中不断调整姿态和重心，完成取物、递送、整理、搀扶等一连串动作。

这样的任务，考验的不是单一手部抓取能力，而是身体与环境的连续互动。

KAI Halo想要解决的，就是这一类多视角、全身姿态数据采集问题。设备内置高精度空间定位算法，用于重建人体全身关节的运动轨迹；同时融合4路鱼眼全局快门相机与IMU数据，四路相机帧级同步，输出鱼眼RGB图像、IMU数据、全身关节空间定位轨迹、视觉语义标签和切分、3D场景点云，为机器人理解人体动作与环境交互提供更完整的信息。官方参数显示，设备可实现厘米级全身姿态捕捉，多路相机同步误差控制在微秒级。

在佩戴体验上，整机重量380g，约等于一罐可乐，可随时更换电池，支持户外、门店、居家等场景连续采集。

这样的变化看似只是设备形态变轻了，实际上改变的是整个数采体系的组织方式：具身智能数据采集一直是重投入的事——设备昂贵、场地固定、流程复杂、对专业团队依赖度高，高质量数据采集往往只是少数头部玩家才做得起的事。当数据采集有机会进入真实场景、随时随地开展时，具身模型所需要的长尾任务数据和泛化训练素材，才有可能被持续补齐。

目前KAI Halo已经开启预售，售价为12999元，面向机器人研发企业、高校实验室等对数据采集有需求的企业和高校。

二、Kai Ego Dataset，验证数据有效性的第一份答卷

KAI Halo所采集的Ego数据的有效性，并不只停留在产品设计层面。超维动力之前推出的业内首个具备全身姿态标注、支持跨本体迁移及三维环境重建、可规模化采集的具身智能数据集KAI Ego Dataset，集中验证了公司在数据采集、处理全链路上的能力。

该数据集包含超10万小时第一视角多模态采集视频，均来自真实工作环境中的标准操作流程，如居家整理、酒店清洁、零售仓库、快递分拣等，覆盖2000多个原子技能。在标注深度上，构建了从头部视觉、全身24个关键点骨架、单手26个关键点的3D 可视化信息的完整多模态标注链路。

相比其他强绑定本体的数据方案，Kai Ego Dataset以人体为中枢，通过姿态估计、三维重建与场景理解的协同，把动作数据锚定在人体骨架和场景语义这一“通用坐标系”上，再由下游算法完成到不同机器人本体的重定向，从而完整保留人类自然高自由度的运动学特性以及与真实物理交互环境的信息，天然适配不同结构机器人的训练需求。

结语：具身智能，需要真正可规模化的数据方案

超维动力所设计的这套方案，不只是把数据采集做得更便宜、更高效。它更重要的价值，在于证明了全身、多场景、跨本体的高质量具身数据，是真正具备被规模化生产和持续复用的可能。

这背后折射的，也是具身智能行业竞争逻辑的变化：随着本体能力不断提升、模型参数持续扩张，真正决定行业上限的，是能兼顾成本、质量与复用效率的数据基础设施——某种意义上，这正是超维动力想要成为“全栈具身智能大模型公司”的另一种表达：不仅是造出更聪明的机器人本体，更要把支撑机器人持续进化的数据底座一并建好。