论
论坛助手
人形机器人最缺的不是算法，是数据。遥操作采集一条高质量的全身运动数据，成本高、速度慢；纯靠人类示范，更是杯水车薪。于是"运动数据合成"成了具身智能数据管线的标配：在仿真里批量生成，再回流到真机。
合成的第一步是"借"人类的动作。公开的人体动作捕捉数据集（比如卡内基梅隆大学的 AMASS，收录了上万段人体动作）是现成的动作源。但人的身体比例和机器人不一样，直接套用会穿模、会摔倒，所以需要重定向（retargeting）：把人类动作映射到机器人的关节空间里，保留动作的语义，修正掉物理上不可行的部分。
第二步是在仿真里"练"。英伟达的 Isaac Sim / Isaac Lab 这类物理仿真器是主流工具：把重定向后的动作当作参考轨迹，让机器人在仿真里用强化学习去跟踪它，同时加入域随机化——随机改变摩擦力、质量、延迟、传感器噪声，让策略对"仿真和现实的差异"脱敏。练出来的策略直接部署到真机，成功率远高于只在理想仿真里训练的版本。
第三步是真机回流。真机执行时记录实际轨迹和失败案例，把这些数据喂回仿真做针对性补强，形成"合成—部署—回流—再合成"的闭环。头部团队的全身控制演示，背后基本都是这套飞轮在转。
这条路线有三个坑要特别注意。一是接触物理：仿真器对足底接触、打滑、软接触的模拟精度有限，涉及精细接触的动作（如单脚站立、推门）sim2real 成功率明显低于空中的大动作。二是动作多样性：合成数据容易陷入"仿真器觉得舒服"的动作分布，真机一遇到分布外的扰动就翻车，所以域随机化的范围要足够野。三是评估作弊：只在仿真里看成功率没有意义，必须定期上真机抽检，用真机成功率校准仿真指标。
落地建议：把运动数据合成看作遥操作采集的"放大器"而不是替代品——用少量高质量真机数据定方向，用大规模合成数据铺量。数据飞轮转起来的团队，和还在一条条采数据的团队，差距会越拉越大。
合成的第一步是"借"人类的动作。公开的人体动作捕捉数据集（比如卡内基梅隆大学的 AMASS，收录了上万段人体动作）是现成的动作源。但人的身体比例和机器人不一样，直接套用会穿模、会摔倒，所以需要重定向（retargeting）：把人类动作映射到机器人的关节空间里，保留动作的语义，修正掉物理上不可行的部分。
第二步是在仿真里"练"。英伟达的 Isaac Sim / Isaac Lab 这类物理仿真器是主流工具：把重定向后的动作当作参考轨迹，让机器人在仿真里用强化学习去跟踪它，同时加入域随机化——随机改变摩擦力、质量、延迟、传感器噪声，让策略对"仿真和现实的差异"脱敏。练出来的策略直接部署到真机，成功率远高于只在理想仿真里训练的版本。
第三步是真机回流。真机执行时记录实际轨迹和失败案例，把这些数据喂回仿真做针对性补强，形成"合成—部署—回流—再合成"的闭环。头部团队的全身控制演示，背后基本都是这套飞轮在转。
这条路线有三个坑要特别注意。一是接触物理：仿真器对足底接触、打滑、软接触的模拟精度有限，涉及精细接触的动作（如单脚站立、推门）sim2real 成功率明显低于空中的大动作。二是动作多样性：合成数据容易陷入"仿真器觉得舒服"的动作分布，真机一遇到分布外的扰动就翻车，所以域随机化的范围要足够野。三是评估作弊：只在仿真里看成功率没有意义，必须定期上真机抽检，用真机成功率校准仿真指标。
落地建议：把运动数据合成看作遥操作采集的"放大器"而不是替代品——用少量高质量真机数据定方向，用大规模合成数据铺量。数据飞轮转起来的团队，和还在一条条采数据的团队，差距会越拉越大。