国内首个！具身数采「黑箱」正式开源，具身数据昂贵的时代结束了

背景

具身智能（Embodied AI）的发展长期受制于数据获取的高昂成本与低效流程。与大模型依赖互联网上海量且免费的文本数据不同，具身智能需要物理世界的交互数据，每一条数据都需要真金白银地通过真机采集。过去，行业面临“贵、脏、不可复用”的“不可能三角”，导致具身数据层成为制约行业发展的瓶颈。

近期，自变量机器人（X-Square Robot）开源了具身数采系统 XRZero-G0。这不仅仅是一个数据集，而是一套完整的“无本体数采 + 质检 + 训练 + 真机评测”链路，并附带了包含 2000 多小时、覆盖 3000 个任务的多模态无本体数据集。该项目的开源标志着国内在具身数据基础设施领域的首次重大突破，旨在通过工程化手段打破数据壁垒，降低行业门槛。

核心内容

XRZero-G0 的核心贡献在于将具身数据采集从“黑箱”变为透明的“白盒”，并系统性地解决了数据采集与训练配比两大难题。

1. 无本体数采系统：从“黑箱”到“白盒”

传统的无本体数采（如 UMI 范式）存在数据有效性未知的风险，而 XRZero-G0 通过一套严密的“三道安检”机制，确保了采集数据的高质量和高可用性。

• 多视角硬件架构： 操作员佩戴 PICO VR 头显，头顶部署一个全局相机，左右手腕各挂一个相机。这种三路视角结合六自由度位姿信息，配合背包边缘计算进行时空对齐，实现了 ≤4 毫米的高精度追踪。无论操作员如何转身、俯身或走动，均能有效避免遮挡和漂移问题。
• 三道质量安检机制：
  1. 物理可行性验证：引入自动逆运动学（IK）验证，过滤掉超出机器人关节极限的动作，防止因人类动作过于灵活（如做瑜伽动作）而导致真机执行时电机烧毁或动作失效。
  2. 真机开环回放：系统随机抽取部分数据，直接投放到真实的双臂机器人上进行“开环回放”。只有当机器人顺利完成任务，该批次数据才被正式入库。
  3. 效率提升：经过三层漏斗筛选，入库数据的有效率提升至 85% 以上。简单任务采集时间从 35 秒压缩至 15 秒（提速 2.33 倍），复杂任务提速 1.71 倍，峰值采集速度达到 93.2 条轨迹/小时。

2. 数据训练策略：发现“黄金比例”

在训练阶段，XRZero-G0 团队通过系统性穷举实验，确定了便宜无本体数据与昂贵真机数据的最佳混合比例，摒弃了以往靠“炼丹”猜测比例的做法。

• 实验对比：
  • 基线：500 条纯真机数据。
  • 方案 A：500 条真机 + 500 条无本体（1:1 比例）。
  • 方案 B：50 条真机 + 500 条无本体（10:1 比例）。
• 结论： 方案 B（10:1）的成功率与 500 条纯真机基线持平甚至更高。这意味着将真机数据用量减少 90%，总成本可降至传统方式的二十分之一，实现了 20 倍的成本效率跃升。
• 原理解释： 论文将此现象解释为“少样本物理锚定效应”。少量的真机数据提供了关键的物理约束和锚点，使得模型能够利用大量廉价的无本体数据泛化学习。

3. 零样本跨本体迁移能力

XRZero-G0 采集的数据具有天然的动态噪声（视角、高度、光照变化），这反而赋予了模型极强的鲁棒性，实现了“零样本”跨本体迁移。

• 实测效果： 使用混合数据训练出的模型，在未见过目标机器人真机数据的情况下，直接部署到 EX001 和 CX001 不同本体上，成功完成了插花、叠毛巾、装香肠等任务。这解决了传统遥操作数据难以在不同机器人本体间复用的痛点。

关键要点

• 开源性质：XRZero-G0 是国内首个开源的具身数采完整链路，包含代码、质检流程、训练方法及大规模多模态数据集。
• 成本突破：通过“无本体数采 + 10:1 混合训练”策略，将数据获取与训练成本降低至传统真机采集方式的 1/20。
• 技术架构：
  • 硬件：PICO VR + 3 路相机（1 全局 + 2 手腕）+ 边缘计算。
  • 软件：IK 逆运动学过滤 + 真机开环回放质检。
• 性能指标：数据入库有效率 >85%；简单任务提速 2.33 倍；峰值采集速度 93.2 条轨迹/小时。
• 迁移能力：模型具备零样本跨本体迁移能力，无需针对新机器人重新采集大量真机数据。
• 背后团队：自变量机器人（X-Square Robot），一家从 Day One 就坚持端到端大模型路线，并在 VLA、WM、WUM 三条技术上均有布局的公司。
• 资本背书：自变量机器人不到两年完成 9 轮融资，估值过百亿，股东包括字节、美团、阿里、小米等大厂。

意义与影响

XRZero-G0 的开源对具身智能行业具有里程碑式的意义：

1. 打破数据垄断，加速行业共识： 具身行业正从“拼 Demo”转向“拼数据”。此前，数据获取缺乏统一标准和低成本方案。XRZero-G0 提供了一套标准化的工具链，让高校、中小团队和个人开发者都能批量生产高质量数据，有助于行业在数据堆叠时长和方法论上形成共识。

2. 构建数据飞轮，确立护城河： 自变量机器人通过开源降低使用门槛，旨在加速全行业数据飞轮的转动。当大量开发者基于 XRZero-G0 进行迭代时，自变量所定义的数采标准和基础设施将成为行业事实标准，从而构建起深厚的生态护城河。

3. 推动具身智能进入“ChatGPT 时刻”： 具身智能的爆发不可能仅靠一家公司完成。通过开源基础设施，自变量推动了数据生产方式的工业化变革，使得高质量具身数据的获取变得像文本数据一样相对廉价和便捷，为具身智能的大规模应用铺平了道路。

4. 工程化能力的验证： 该项目证明了解决具身智能核心痛点不仅需要学术创新，更需要扎实的 Infra 工程能力。自变量机器人从 WALL-OSS 到 XRZero-G0 的演进，展示了其从底层基础设施到上层应用的全栈技术实力。