睿尔曼：具身智能数据训练场与远程作业机器人产业生态构建

2026年9月15日，在2026具身感知融合与多模态大模型创新研讨会上，睿尔曼智能科技股份有限公司解决方案总监计海锋介绍道，当前具身智能产业面临高质量真机数据稀缺、采集成本高昂、仿真与现实存在差距、行业标准缺失等痛点。对此，国家层面正在统筹推进解决，国内众多具身智能相关企业也在同步开展相关工作，上述行业问题将逐步实现技术突破。

计海锋提到，睿尔曼以超轻量仿人机械臂为起点，自研整机机器人并开展数据采集，其产品无故障运行达5万小时。2026年5月，睿尔曼在常州建成配置150台机器人的数据训练场，划分基础动作训练与场景应用两大区域，遵循MCAP标准，并参与多项标准编制。计海锋表示，睿尔曼希望联合行业同仁，共同推动具身智能产业整体向前发展，使之更好地服务人类社会。

计海锋｜睿尔曼智能科技股份有限公司解决方案总监

以下为演讲内容整理:

产业背景

当前，具身智能数据仍旧有诸多痛点。一是高质量数据稀缺，高质量、多样化真机数据不足，制约模型突破。二是真机数据的采集成本相对较高，真机数据需要依托实体机器人开展采集工作，行业内单台机器人的成本可达数十万元，直接推高了整体采集成本。三是仿真环境与真实物理世界仍存在现实差距，虽然仿真技术正在持续迭代升级，但仿真与现实之间的差距客观存在。四是行业标准化程度偏低，无论是机器人本体标准，还是数据相关标准，尽管已有企业参与部分标准的编制工作，但对应的国家标准仍处于缺失状态。

上述相关问题，国家层面正在统筹推进解决，国内众多具身智能相关企业也在同步开展相关工作，上述行业问题将逐步实现技术突破。

我们认为，在具身智能的飞轮逻辑中，本体、数据、算力和人才是不可或缺的组成要素。今年已有九所顶尖985、211高校开设具身智能相关专业，定向培养行业所需人才。当前具身智能行业人才供给紧张，行业普遍以高薪开展高技能人才招募，人才稀缺问题较为突出。

有了本体数据和算力资源后，就可以开展模型训练，无论是VLA、世界模型，还是原生物理内置模型，产业发展均离不开模型支撑。在模型的驱动之下，机器人才能够落地千行百业、走进千家万户。机器人在实际场景迭代与应用过程中会持续产出新增数据，增量数据能够提升机器人的泛化能力与操作能力，同时推动机器人成本下行，进而催生出更多应用场景；更多应用场景又将进一步沉淀数据，持续赋能机器人智能水平提升。这就是我们所提出的飞轮效应，目前该飞轮尚未完全运转成熟。

成本是产业发展的关键要素。现阶段单台机器人售价达数十万元，要实现家庭普及以及工厂大规模落地应用，机器人成本需要下探至数万元级别，对标家用扫地机器人数千元至万元级别的价位区间，只有达成这一成本目标，才能够实现真正意义上的规模化应用。

根据粗略统计，去年全国已建成约五六十家具身智能数据训练场，专门承担数据采集工作。但今年行业风向已发生转变，核心导向为推动机器人真正落地业务场景，而非停留在演示展示层面，不再局限于固定场景内执行简单任务。

案例介绍

睿尔曼以研发超轻量仿人机械臂为业务起点，2018年起便开展相关研发工作，行业内诸多同行均在使用睿尔曼的机械臂。依托本体技术能力，我们自主研发整机机器人，并基于自研机器人开展整机数据采集工作。我们的机械臂关节实现全部自主研发，完成全套技术体系搭建，产品精度与成本均可实现可控。我们拥有从机械臂到整机机器人的完整产品线，产品以轮式机器人为主，暂不布局足式机器人赛道。我们的产品在行业市场拥有较高占比，灵巧手、各类夹爪等末端执行器，已有多家企业完成适配工作。

我们的产品可靠性已取得相关认证，无故障运行时间达到5万小时，今年正朝着8万小时的目标推进。无论面向工业场景或是家庭场景落地应用，机器人必须具备充足的可靠性，若故障频发，则无法保障正常使用。我们的核心优势在于关节体积小巧但输出扭矩大，以此为基础打造仿人强力臂，机械臂形态与人臂较为接近，作业能力也向人类手臂看齐。

2026年5月，我们在常州建成配置150台机器人的数据训练场，用于开展真机数据采集工作，该场地对外开放，各位同仁如有兴趣可前往常州实地参观。训练场内部主要划分为两大功能区域。第一处为机器人基础动作训练区域，主要完成抓、拿、取、放等基础动作训练，训练逻辑类似幼儿学习基础动作。另外是场景应用区，搭建家居、工业、零售等多元化业务场景，供机器人开展实操作业，该场景在训练场实地参观过程中均可看到。

机器人开展真机数据采集并非仅执行单次任务，还需要完成数据泛化工作。完成颜色、物体、动作等多维度的泛化处理，其逻辑如同孩童学习走路、抓取物件，需要经过反复练习。因此，真机数据采集并非简单执行一遍，需要完成大量动作变体与泛化测试。

数据采集工作具备对应的规范标准，当前我们遵循MCAP标准。该标准针对六大特性设置规范要求，分别为时间同步性、数据完整性、数据准确性、数据一致性、数据可用性以及采集动作难度。同时还有LeRobot、HDF5等其他标准，不同标准格式的数据之间支持相互转换。我们参与了多项数据相关标准的编制工作，相关标准条目已有较多罗列，目前也在推进对应国家标准的制定工作。

MCAP数据格式包含多类数据。第一类为图像数据，机器人现阶段发展最为成熟的即为视觉能力，VLA当中的V即代表视觉，因此视觉数据是首要采集的数据类型，分为压缩图像与原始图像两类。除此之外还包含相机标定数据、关节姿态数据、速度数据、位姿数据以及末端相关数据。另外还包含六维力数据。机器人执行作业动作时，需要获取机器人与物体发生接触时所承受的力的大小与力反馈信息。

机器人系统内部存在多路相机、机械臂以及姿态动作等多类数据，必须确保各类数据在同一时间点、同一时间窗口启动记录。比如抓取遥控器的过程中，不能出现视觉观测与手部动作时序错位的情况，应当在手部执行抓取动作的同时记录视频数据，以此实现多模态数据的时间对齐，这便是时间同步性。

有采购我们数据的模型研发企业对时间同步性提出较高指标要求，时间偏差需要控制在5毫秒以内，该指标具备较高实现门槛。对此，我们产出的数据质量较高，核心体现为数据维度完备。

整体方案

接下来介绍具身智能数据训练场的组织架构。

最底层为基础设施层，涵盖存储、网络以及算力资源。采集得到的数据需要完成留存，单台机器人每分钟可产生2G原始数据，经过压缩之后数据量仍可达0.8G，整体数据体量较大，因此存储环节必不可少。数据存储需要依托网络实现，对网络带宽存在较高要求。

第二层为设备层，真机数据采集离不开机器人本体，而机器人本体无法自主完成全部作业，需要配套遥操作设备。

第三层为数据处理层，开展数据质检、数据标注等工作，最终沉淀形成数据资产，对外输出的产物即为数据资产，数据资产可对外销售。数据采购方大多为模型研发企业或者机器人本体厂商，该类主体采购相关数据用于模型训练。

训练场的基础设施建设流程和家庭装修有相似之处。首先是开展方案设计，规划需要布设的各类场景；之后完成场地施工建设；施工完毕后进场部署机器人，上线系统开展数据采集工作。可布设的场景覆盖面较广，绝大多数人类可以开展作业的场景，都能够交由机器人执行。机器人研发的最终目标是实现类人能力，以此对人类工作形成替代，理想状态下人类能够完成的作业场景，机器人同样应当具备作业能力。

基础设施中，网络属于关键组成部分。按照当前实际工况，单台机器人每分钟产生压缩后数据达0.8G，如果底层网络架构部署不到位，数据便无法完成及时存储。目前存储模式分为本地存储与云端存储两类。云端存储对网络条件要求严苛，需要铺设专线，依托专线将数据上传至云端。云端存储的优势在于交付便捷，可直接将数据迁移交付给客户。

数据训练场催生了不少全新工作岗位，例如数据采集员、数据标注员。现阶段数据标注岗位处境较为特殊，大量标注工作已可借助AI完成，但真机数据采集环节仍然无法被替代。

关键技术层面，我们的数据采集工作严格依照既定流程开展，通常在接到业务订单后启动采集任务，遵循标准化作业流程。

此外，我们发现，在封闭场地内依托机器人开展数据采集的模式，已经显现出一定弊端。就像让孩子长期封闭在家中学习各类知识，存在明显局限性，还需要使其走入真实现实环境。同理，我们也推动机器人深入真实业务场景开展工作。我们倡导将机器人部署至真实场景，采集现实环境下的作业数据。

GLN远程作业

远程作业的运作逻辑是，操作人员通过远程遥操的方式控制机器人在工厂现场完成作业，在开展作业的同时完成数据采集；业务作业为首要目标，数据采集属于附带产出，这样就不会干扰实际业务开展。例如将机器人部署至工业场景时，该模式不会对工厂实际生产、现有产线造成影响。

我们所构建的发展循环分为三个阶段:第一阶段是远程作业；第二阶段达成数据闭环，逐步减少乃至脱离人工介入；最终阶段实现机器人自主演进，整体依照该逻辑迭代发展。

远程作业模式的运行方式如下:操作人员位于办公室内，机器人部署在作业现场，二者依托云端管理系统完成数据交互，操作人员在办公室即可操控现场机器人开展作业，并同步完成数据采集。有些遥操作场景十分适配人员不宜前往，或是现场作业环境恶劣的工况。操作人员处于办公环境，由机器人抵达现场执行任务，机器人对恶劣环境的耐受能力更强。

落地实践

基于上述技术与产品，我们有多个实际落地案例。第一，我们向国内某研究机构提供机器人本体与配套数据，支撑该机构自研具身模型。第二，我们向蚂蚁灵波提供数据支持，对方依托我方数据完成模型发布。第三，我们与日本一家研究机构开展合作，向其输出数据，支撑对方推进具身模型落地工作。

我们期望依托真实场景下的真机数据，让机器人优先完成实际作业任务，同步沉淀作业数据。凭借沉淀得到的数据，联合行业同仁，共同推动具身智能产业整体向前发展，使之更好地服务人类社会。

股份有限公司解决方案总监计海锋于2026年9月15日在2026具身感知融合与多模态大模型创新研讨会发表的《具身智能数据训练场与远程作业机器人产业生态构建》主题演讲。)