数据采集（遥操作与动作捕捉）
通过遥操作或动作捕捉设备采集人类示范数据，是当前具身智能训练数据的主要来源，直接决定策略模型的上限。
关键玩家 · 4 家（来自公司库）
定义
数据采集（data collection）在具身智能语境下特指采集人类示范的机器人动作数据，主要手段有两类：① 遥操作（teleoperation）——操作员通过手柄、数据手套或主从臂远程控制机器人完成任务，同步记录机器人的感知与动作序列；② 动作捕捉（motion capture）——用光学标记点或穿戴式惯性传感器记录人体动作后再映射到机器人。两者都旨在把人类的灵巧操作转化为可训练的监督信号。
为什么重要
当前主流策略模型（VLA、扩散策略等）以模仿学习为基础，训练质量几乎直接取决于示范数据的数量与多样性。不同于语言/视觉领域可大规模爬取互联网数据，机器人动作数据必须专门采集，成本高、规模化难，是全行业的共同瓶颈。谁能高效低成本地积累真实操作数据，谁就在模型训练上拥有难以复制的竞争优势。
技术现状
遥操作是当前最普遍的采集方式，设备路线分化：专用主从臂（高保真、高成本）、数据手套（灵活、延迟较低）、VR 手柄（成本低、精度受限）。动作捕捉则多用于采集全身运动数据，双足行走与全身协调任务依赖度更高。仿真数据生成（见世界模型）被视为补充或替代真实采集的长期方向，但 sim-to-real 差距尚未消除，短期内真实遥操数据仍不可替代。多家公司正在研发降低采集门槛的工具——如更直觉的操控界面、自动化质检流程——以提升单位时间的有效数据产出。
谁在做
Physical Intelligence（π0 训练依赖大规模遥操）、Sunday Robotics（数据手套采集方案）、Unitree（结合全身动捕采集双足数据）等为代表。Tesla Optimus 以工厂内规模化人工示范作为数据飞轮起点。各家采集规模与质检标准的细节多未公开披露。
数据待补
各公司遥操作小时数、数据集规模等量化指标高度保密，暂只放已核实的技术路线与公开事件，不放未经核对的数字。