动作

“台上一分钟”稳定可靠的执行，需要台下亿万真实、高质量的人类动作数据作为支撑。

一个符合要求的抓取动作数据，不仅要包含视觉信息，还应包含实时的力反馈、触觉感知以及电机扭矩的连续变化。

因此，互联网上海量的文本、视频因缺乏动作数据并不能直接“喂”给机器人。

基于同样的逻辑，具身智能机器人需要依靠海量的人类动作数据，才能学会在真实世界里干活。

作人员通过动作捕捉设备进行人体动作数据采集。

普通视频、低保真仿真或粗标注数据等低成本数据，规模容易做大，但往往缺乏物理属性、动作可执行性和可迁移性，直接用于训练很容易造成模型‘看起来会、做起来不稳’。