通用机器人操作系统 赋予具身载体无限的运动本能

强化学习、动作迁移、Sim2Real,领先的运动控制技术与跨本体能力

合作咨询

通用机器人OS
基础设施研发商

桥介数物是行业领先的通用机器人操作系统研发商。公司以运动控制为切入点,在强化学习、仿真训练、Sim2Real 及跨本体迁移等领域拥有深厚的技术沉淀与工程实践,致力于为行业提供安全、高效、可规模化的机器人运动能力。围绕核心业务,桥介数物已构建起由通用运动控制模型、跨本体全身运动数据工厂与通用机器人运动能力开发平台 RoboCraft AI组成的三位一体基础设施,打通“上下协同、全链赋能”的赋能路径,与产业链伙伴共筑开放、共赢、持续进化的机器人新生态。

40多家深度合作伙伴

具身智能明星创业公司、新能源头部车企、传统家电巨头的首选

70+

跨本体机型

截止2026年Q4,桥介数物运控模型已部署70多款不同的机型。

41%

2024 WRC

参展的27家人形机器人企业中,有11家使用桥介数物的运控方案。

39%

2024 WAIC

参展的18家人形机器人企业中,有7家使用桥介数物的运控方案。

最新消息

所有帖子

投资机构

桥介数物的高速成长与商业价值已获得国内多家顶级投资机构的认可

深创投 隐山资本 沂景资本 深圳天使母基金 奇绩创坛 复星创富 正轩投资 瑞丞基金 钧石创投 明荟致远 中移和创

快速构建运控能力

赋能第三方本体高效稳定运控能力,大幅缩短研发周期,全面实现降本增效

合作咨询

融合强化学习、模仿学习等先进运动学习技术
结合专家级的 Sim2Real 工程经验

通用机器人“小脑”
运动控制解决方案

行业领先的机器人通用运动控制模型

模型支持双足、四足、轮足等多构型机器人的统一训练与跨本体部署,有效解决不同机器人在动力学特性、硬件配置与控制策略上的适配难题,赋予机器人高物理一致性、强环境适应性与跨平台泛化性的运动能力,为客户提供安全、稳定、高效、可规模化部署的运控解决方案。

立即联系

通用全身控制器方案

标准化、高兼容性的通用运动控制解决方案,支持多种动作输入与跨本体适配,实现运动能力的快速接入、灵活拓展与高效部署。

  • 多源动作兼容,实现即接即用

    兼容大模型、动捕设备、仿真轨迹、动画关键帧等多种上层动作输入。通过统一接口,实现不同来源的动作指令快速接入与执行。

  • 动作灵活拓展,无需重复训练

    依托通用运动控制模型,支持执行未经针对性训练的新动作,具备较强的动作泛化能力,减少逐个动作训练和调试的工作量。

  • 跨本体快速适配,降低开发成本

    支持不同尺寸、关节构型的人形机器人,通过统一控制框架与适配机制,减少针对不同硬件重复训练的工作量,缩短研发与部署周期。

全向移动运控方案

聚焦机器人核心移动能力,融合强化学习与环境感知技术,实现自然、稳定、灵活的全向移动,提升复杂地形下的通行能力。

  • 强化学习驱动,运动自然稳定

    基于强化学习与AMP(对抗性运动先验)算法,结合物理约束与拟人/物运动特征进行训练,提升机器人行走的自然度、连贯性与稳定性。

  • 全向灵活移动,步态流畅自然

    支持前进、后退、左右平移、原地转向等多方向移动,实现自然流畅的拟人/物步态与平滑的姿态切换,满足不同场景下的灵活移动需求。

  • 环境感知融合,适应复杂地形

    结合深度相机等视觉感知技术,识别地形起伏与障碍物,动态调整运动策略,提升机器人在不平整、低摩擦等复杂地形下的稳定性与适应能力,并支持跨本体适配部署。

全身模仿运控方案

聚焦复杂动作的高精度模仿与追踪,让机器人精准复现复杂动作,满足高动态表演与个性化动作开发需求。

  • 深度模仿学习,动作精准稳定

    基于强化学习与DeepMimic(深度模仿)算法,学习复杂动作的运动规律与全身关节协调方式,实现高动态动作的精准追踪与稳定执行。

  • 复杂动作追踪,全身协调流畅

    支持舞蹈、功夫及高难度姿态等复杂动作的全身模仿与追踪,兼顾动作还原度、身体协调性与运动稳定性,提升机器人的动作表现力。

  • 跨机型灵活适配,支持个性定制

    针对不同尺寸、关节构型的人形机器人进行运动控制适配,结合动作重定向与模型优化,支持个性化动作开发与定制,满足不同机型及应用场景的需求。

感知与移动操作方案

融合运控、感知与操作能力,让机器人能够自主识别复杂环境、灵活调整运动方式,并在移动过程中完成操作任务,满足复杂场景下的作业需求。

  • 多模态融合感知,精准识别环境

    融合三维视觉点云与雷达数据,实时感知楼梯、障碍物及地形变化,为机器人自主规划通行路径和调整运动策略提供支持。

  • 多姿态灵活移动,适应复杂地形

    支持四足机器狗切换双足运动模式,以及“小恐龙”式直立行走等特殊步态,根据地形特点灵活调整运动姿态,提升各种机器人在不同高度、坡度及楼梯等复杂环境下的通行能力。

  • 移动操作协同,实现边走边作业

    融合足式移动底盘协同控制,在移动过程中兼顾身体平衡操作,提升动态抗扰与协调能力,支持机器人在复杂环境中完成移动操作任务。

快速构建运控能力

赋能第三方本体高效稳定运控能力,大幅缩短研发周期,全面实现降本增效

运控方案合作咨询

通用机器人
运动能力开发平台

机型适配、动作创作、仿真训练、真机部署、资产管理

立即体验

全面降低运动开发门槛

多年开发经验汇聚成标准化流程,大幅度降低运动控制开发门槛,实现高效交付

70+

跨本体项目积累

率先支持宇树G1、智元X2、加速进化T1等热门机型,打通自研硬件快速导入通路,真正打破软硬件壁垒。

90%

研发周期缩短

周期由 3 个月缩短至 1 周以内,提效超90%;开发团队由5人降至1人,极大缩减前期试错成本。

0

手工调试依赖

URDF校验与修复、动作数据预处理、强化学习训练、Sim2Real部署、参数调整等环节自动化处理。

0

本地安装部署

“WebAssembly + WebGL + MuJoCo + WebRTC”技术栈组合,无需安装任何本地插件或环境。

运动能力接入与应用开发

涵盖了新机器运动能力的快速构建以及成熟机型的动作能力开发和场景应用

AI校验

自动识别模型问题,全面输出可视化诊断报告

AI 校验诊断报告界面

URDF编辑器

可视化编辑关节模型,轻松解决诊断问题

URDF 编辑器界面

硬件检查

对齐电机、传感器、通讯参数,仿真即真机

硬件检查界面

运动能力训练

通用运动控制器,动作模仿、自由行走均可胜任

运动能力训练界面

多种机型

支持G1、X2、PM01、T1等多种主流机型,新机型可快速适配

G1 X2 PM01 T1

视频提取动作

支持从动作视频中提取高质量动作数据,同时也支持BVH上传

提取后的机器人动作

动作编排

丰富的动作资产可自由编排成个性化应用

动作编排界面

真机快速部署

3-5分钟完成真机连接到应用下发

真机部署界面

通用全身遥操作方案

支持 Xsens、诺亦腾、Pico等硬件设备,实现低延时高精度遥操作机器人,如影随形

跨本体

支持宇树G1、智元X2、众擎PM01等机型

低延时

及时响应,人机同频

高泛化

动作灵活拓展,无需重复训练

生态合作伙伴

与芯片、本体、场景等产业伙伴共建机器人生态

Intel
生态合作伙伴
京东
E-Bot Hub
芯擎科技 SiEngine
方特

体验 RoboCraft AI

快速为你的机器人构建一流且丰富的运动能力

立即注册

自研跨本体动作重定向算法

跨本体运动数据工厂

1000+小时/月·数据产能

跨本体全身运动数据工厂可将采集数据快速适配并分发至不同型号的机器人,实现高质量运动数据的高效复用,大幅提升数据生产与应用效率,加速运动控制模型的训练、验证与能力演进。数据工厂已形成每月1000+小时的数据产能,未来将分阶段向每月数万小时递进。

立即联系

自研跨本体数据引擎

自研重定向引擎打破传统“逐条动作调参、逐台机器人写专用解算”的限制。基于统一本体抽象层,结合高效流式数据管线与目标机器人的 URDF 拓扑定义,自动完成构型适配,将人体运动语义与拓扑关系统一映射至人形、四足、轮足等不同关节自由度与动力学构型。

多维数据增强体系

采用 RL 动力学后处理校正物理违背,消除浮空、穿透、滑移与力矩超限,实现从“运动学平滑”到“动力学可行”的升级。依托 3D 重建与仿真管线补齐深度、力学等视觉/力控模态,叠加环境扰动与 AI 语义标注,将单次采集指数级扩展为高密度训练样本。

双线自进化闭环

建立“设计-原始-重定向-增强”四级硬质检门槛,严格阻断污染数据进入训练集。同时,将模型训练侧的评估结果(失败画像)实时反向回写至上游采集与设计平台,形成“主动图谱覆盖 + 反馈精准补洞”的双线自进化闭环,确保数据资产随模型训练持续增殖。

CWM 数据工厂运行模式

采集、重定向、增强,再由训练结果反哺

主动覆盖

丰富运动多样性

  • 运动覆盖图谱
  • AI 原生管理平台
  • 多样性审阅与人员匹配

数据增强

物理 · 仿真 · AI 标注

  • 物理一致性后处理
  • 仿真多样性扩增
  • 语义标签与版本管理

同步采集

多源信息同步对齐

  • 人体动作 · 视频 · 场景同采
  • 统一时钟与数据契约
  • 自动质检,统一入库

跨本体重定向

适配多种构型的机器人

  • 统一本体抽象层
  • 自研 retarget 映射
  • 无需逐条调参,1000fps+

所有内容

媒体报道

桥介数物已获国内多家主流媒体的深度报道

返回

“跨本体全身运动数据工厂"正式启用,桥介数物填补运动控制领域数据真空

桥介数物建设了一座跨本体全身运动数据工厂(Cross-Embodiment Whole-Body Motion Data Factory),打通了从动作设计、同步采集、跨本体重定向、数据增强到训练反馈的完整链路

跨本体全身运动数据工厂

01 写在前面

我们建设了一座跨本体全身运动数据工厂(Cross-Embodiment Whole-Body Motion Data Factory),打通了从动作设计、同步采集、跨本体重定向、数据增强到训练反馈的完整链路。数据工厂作为一座持续运转的基础设施,能够为人形机器人操作系统提供数据燃料,让系统里的全身运动模型不断获得跨本体、可训练、可复用的数据资产。

模型能力的提升正在越来越明显地受到数据制约。数据规模不够,模型很难覆盖足够多的动作;数据质量不稳,模型会学到错误的接触关系和身体协调方式;数据不能跨本体复用,机器人硬件一换,很多训练资产就要重新生产。

对通用全身运动模型来说,数据已经不只是训练材料,而是决定能力边界的重要资产。

基于这次试点和过去两年在多种足式机器人上的工程实践,我们正在把数据工厂从内部验证推向正式规模化建设。它要解决的是如何持续规划动作、同步采集多源信号、跨本体重定向、做物理验证和数据增强,并把训练结果反馈回下一轮生产。

这篇文章分享我们对运动控制数据工厂的阶段性思考:什么是跨本体全身运动数据,我们为什么要专门为它建一座工厂,以及这座工厂内部应该如何运转。



02 从运动能力出发,我们需要什么数据

要回答“需要什么数据”,先要回答“我们想要什么运动能力”。

对通用全身运动模型来说,我们要的是一种能够向上兼容多模态动作意图、向下兼容不同本体硬件、安全可靠、并且可以在复杂环境中持续进化的运动能力。

这种能力对数据提出了更高的要求:模型需要的是能同时保留全身协同、任务意图、接触关系、环境上下文、物理可行性和跨本体复用价值的数据。

但现有的数据形态,单独看都很难自然满足这些要求:


动捕数据可以准确、结构化地记录人体运动状态,但缺失环境信息以及人和环境之间的精确交互;

遥操作数据严格绑定特定机器人本体,硬件一换,复用价值就会显著下降;

第一人称视频集中在末端和物体交互,不能完整表达躯干、下肢、重心和接触之间的全身协调关系;

第三人称视频虽然能看到整体动作,但难以从中提取出准确合理的人体动作。这些数据各自都有价值,但单独都不足以支撑通用全身运动模型需要的数据闭环。


基于这个判断,我们把真正面向通用全身运动模型训练的数据资产,定义为跨本体全身运动数据(Cross-Embodiment Whole-Body Motion Data,CWM),要求 CWM 至少同时满足以下四个性质:


跨本体可重定向性(Cross-embodiment retargetability)

同一段动作必须能够通过统一的处理管线,在连杆长度、关节配置、质量分布和驱动能力差异显著的多种目标本体上,产出物理自洽的训练样本。这意味着原始数据本身需要带有足够的拓扑与运动学信息,以支持对不同本体的统一构型映射,而不是绑死在某一台机器人的关节空间里。机器人硬件会持续迭代,如果数据只服务某一代本体,它就会跟着这一代硬件一起折旧;CWM 把数据价值绑定在人类全身运动语义和可迁移规律上,让一份数据能在多代硬件上反复结算。


全身覆盖性(Whole-body coverage)

数据必须完整表达躯干、四肢、手部、手指以及它们之间的协同关系,而不能只保留上半身末端轨迹或下半身步态。真实任务往往不是局部动作的简单拼接,例如“蹲下捡物—抱起—转身行走”,同时涉及下肢支撑、重心转移、躯干姿态、手臂伸展、手指抓握和接触切换。只有把这些身体部位的耦合关系作为一个整体记录下来,模型才能学习移动、操作和姿态变化之间的协同规律。


物理可行性(Physical feasibility)

一条合格的数据,不只是运动学平滑合理,还需在目标本体上的动力学具备物理可行性,不能出现浮空、穿透、滑移、失稳、力矩超限等问题,这是 CWM 资产从候选轨迹升级为训练样本的硬门槛。


多模态性(Multi-source augmentability)

CWM 数据在录制阶段就同步采集人体动作、语义标签、第一人称视频、第三人称视频、环境资产和物体资产,使动作带有完整的身体、任务和场景上下文。随后,我们会在仿真环境中回放并增强数据,通过自定义摄像机位置、更换场景与物体材质贴图、采集全身接触力和运动状态,将单次采集扩展为多视角、多场景、多物理状态的训练样本。


满足这四个性质的 CWM 数据,不是简单的采集就能得到,这也是我们建设跨本体全身运动数据工厂的出发点。



03 为什么要建一座数据工厂

我们定义了什么是 CWM 数据,但对模型训练来说,仅有“正确”的数据并不足够,数据规模同样至关重要,这一点在大模型领域已成共识。

Generalist AI 的研究指出,VLA 模型同样存在明确的数据 scaling law;SONIC 也在人形机器人全身运动跟踪上系统验证了,运动数据量的扩大会带来运动控制能力的显著提升。对于全身运动控制来说,这意味着数据要覆盖的不只是几个标准动作,而是行走、转身、下蹲、搬运、抓取、支撑、避障、恢复平衡、接触切换等大量连续动作组合。

按我们内部的判断,要训练出一个真正通用的全身运动模型,最终需要数十万小时级别的高质量 CWM 数据;在这个量级面前,少量数据几乎没有长期训练价值,真正有价值的是能够不断扩张的数据规模。

与此同时,数据的多样性同样重要,因为再多的走路数据也训不出一个会后空翻的模型。全身运动数据的复杂性在于,它不只是“动作越多越好”,而是必须有正确的数据配方和严格的数据质量控制。

模型需要看到足够多的动作类别、接触状态、任务语义、环境变化和目标本体差异;同时,每条数据还必须经过清洗、标注、重定向和物理验证。否则,大规模数据很容易变成大规模噪声。脚底滑移、身体穿透、浮空、失稳、力矩超限等问题是直接拉低模型质量的数据污染,它们会让模型学习到错误的接触关系、错误的身体协调方式和不可执行的控制模式。

这条标准也意味着外部数据无法成为主力:公开动捕和网络视频可以作为补充,但在数量和质量上都不足以支撑通用全身运动模型的训练。

因此,CWM 数据生产必须被设计成一套工业化生产体系,而采集只是其中一环。一段动作从被设计出来,到能进入训练集,还必须经过质检、跨本体重定向、动力学与仿真增强、语义标注,以及来自模型训练侧的反馈闭环。

这条产线需要同时定义数据配方、生产流程和质量标准:哪些动作必须优先覆盖,哪些场景和接触状态最稀缺,哪些目标本体需要验证,哪些样本应该剔除,哪些数据在训练中产生了最高收益,都需要被持续追踪和反馈。数据规模越大,越不能依赖手工经验;模型目标越通用,越需要可复现、可审计、可迭代的生产流程。

这也是 CWM 数据工厂的核心价值:用稳定的场地、设备、流水线、专业团队和质检体系,把通用全身运动数据变成一种可持续生产能力。 

专业动作设计人员负责定义动作谱系,采集团队负责高质量同步录制,工程团队负责清洗、格式化、重定向和仿真回放,算法团队负责物理验证、训练反馈和数据筛选,质检团队负责把不可用样本挡在训练集之外。

只有这样的工厂级体系,才能持续产出足够大、足够准、足够干净,并且能随模型训练和机器人迭代不断更新的 CWM 数据资产。



04 数据工厂不是“采集场地”而是“基础设施”

桥介数物跨本体全身运动数据工厂是一套围绕 CWM 数据资产生产的全流程基础设施。

它从动作设计开始,明确动作类别、接触状态和任务场景;在采集阶段,同步获取人体动作、视频、接触、环境和物体等多源数据;随后通过跨本体重定向、物理验证和仿真增强,把原始素材转化为可训练样本;最后,再用训练反馈持续修正数据配方。


iwk0o1tylcVCUyU3DScmV37iwDk


主动覆盖:丰富运动多样性

数据工厂第一件要回答的事是“采什么”。通用全身运动模型需要见到一套持续扩展、能够覆盖身体协同方式的运动空间。这套空间不能只是动作目录的堆叠,而要沿几条相互独立的主线持续填充:


  • 能力维度的横向铺开

采集计划要按身体使用方式来组织,而不是按动作名称凑数。移动、姿态转换、肢体协同、接触切换和物体操作这些基础维度,是后续复杂能力的底盘。我们关心的是身体如何被调用、不同身体部位如何协同、重心和接触如何变化,而不是某一个具体动作是否被采到。


  • 复杂地形、多人交互与环境交互

这三类场景是基础维度之外难度最高、最贴近真实部署的需求,但是又最容易被漏掉的场景,必须被显式安排进采集计划。复杂地形会改变支撑和落脚策略,多人交互会引入节奏对齐和空间协商,环境交互会让身体运动与物体、接触面和可达空间深度耦合。它们不能靠平地单人动作自然外推,必须被显式安排进采集计划。


  • 下意识行为与自由发挥

剧本只能定义任务边界,真实运动里还有大量没有被写下来的部分:个体动作习惯、临场调整和应对意外的本能反应。专业动作设计人员会在录制中给出意图与约束,同时保留表演者按自身习惯完成动作的空间,让数据既覆盖任务目标,也保留真实身体差异。


  • 动作恢复与失败兜底

模型在真实环境里能不能被部署,很大程度上取决于失败时能不能稳住。因此动作恢复要单独进入采集计划,包括失衡后的再平衡、碰撞后的避障回缩、跌倒或非理想姿态下的起身恢复。这类样本通常稀缺,但直接关系到模型的安全边界。


采集多样性同样需要在源头被显式管理。采集人员与采集设备的多样性会直接影响 CWM 数据的多样性与丰富度:不同身形、年龄、性别、体态的表演者会带来差异化的运动姿态、关节角度范围和重心控制方式;不同采集设备(惯性动捕、光学动捕、电磁动捕)在精度、覆盖范围、佩戴约束和适用场景上的差异,本身也会成为数据的一种维度。只有让人员和设备的多样性都进入采集计划,模型才不会只学到“某一类人在某一种设备下”的运动方式。

这些方向通过一份持续更新的运动覆盖图谱被组织和度量,记录哪些组合已经被覆盖、哪些维度仍然稀疏、哪些样本在跨本体迁移后反复失败。

除了按图谱主动覆盖,数据工厂还会显式接收来自模型训练侧的数据类型需求反馈:哪些动作类别在哪些本体上学得不稳、哪些接触状态训练收益最低、哪些样本通过了质检却没有带来实际增益,都会被翻译成新的数据类型需求回写到采集计划,让“采什么”持续被训练结果校准。

为了把上面这些需求真正转化成可执行的采集任务,我们在工厂内部建设了一个AI 原生的数据设计与录制管理平台,把动作需求、覆盖图谱、场景资产、录制计划、数据状态和训练反馈放进同一个系统里管理。

平台的核心使用者是一组全职的专业动作设计人员,他们负责定义动作语义、拆解身体协同、判断表演可执行性,把全身交互、动作恢复、工具使用和场景任务转化为可录制的动作方案。

平台借由内置的 AI 能力,沿三件事辅助设计人员把动作方案做出来:


动作方案的生成与扩增上,平台基于覆盖图谱缺口和训练反馈起草动作描述、做语义级泛化,按速度、体型、节奏等维度衍生出大量变体;

方案的可视化呈现上,可以选择使用AI直接通过文本描述或者动作关键帧生成动作示例,把抽象描述变成可演示的参考动作;

多样性审阅与人员匹配上,平台比对当前批次相对覆盖图谱的分布偏差,提示设计人员哪些维度被过度采集、哪些仍然稀疏,并按身形、年龄、性别和体态,辅助设计人员把每条方案分配给最合适的表演者、采集设备。


这条工具链让覆盖图谱、设计人员判断和模型训练反馈在同一个系统里闭环,把“哪些动作已经学稳、哪些动作迁移失败率高、哪些场景还缺覆盖”持续转化为可采、可查、可反馈的生产任务。


同步采集:多源信息同步对齐采集

CWM 的同步采集不是单纯录一段人体动作,而是要在同一段动作中同步回答四件事:运动意图、身体运动方式、交互目标与环境。“全身”意味着移动、操作、姿态控制、接触变化等子任务在同一段动作里同时成立,不能退化成躯干、手、腿轨迹的简单拼接。这天然要求人体动作、视频、语义、场景被同步记录。按当前的采集规范,一条完整记录会尽量同步以下四类信号,具体哪些可用取决于采集场景和目标本体。


  • 人体动作(BVH)

跨本体重定向的主要参考信号,承载动作语义、身体协同、重心变化和姿态转换。我们在录制不同类型的动作时选用不同设备:

低动态动作和复杂地形下的运动适合惯性动捕,对场地、遮挡和地形不敏感;

高动态动作适合光学动捕或精度更高的光惯混合设备,能在快速运动下稳住关节位置;

末端手部的精细动作(抓握、操作工具、按键、拧动)适合电磁动捕,能在小空间内提供高精度位姿。


  • 原始视频

不直接进入重定向流程,但在数据工厂里是高价值的辅助信号:它支撑视频动作补全与人体动作提取,让海量互联网视频可以被纳入训练资产,也为导航与操作预备视觉模态;同时被用于训练 SLAM、估计人与物体之间的接触状态。设备上以头戴式相机与外部 RGB / RGB-D 相机并行采集,分别提供第一人称和第三人称视角。


  • 场景交互资产

提供动作发生的环境与物体上下文,是把动作放进仿真环境的前置条件。

我们采集两类:一类是地形与场景资产——房间结构、地面起伏、固定家具,决定动作可达空间和接触面;一类是可交互物体资产——被搬运、推拉、使用的物体,决定操作任务的目标几何。

技术上以 3D 高斯泼溅 + Mesh 提取做整体重建,对需要精确位姿的物体进一步使用光学 Marker 标记。资产进入仿真环境后支撑强化学习训练和模型评估。


  • 语义标签

由专业动作设计人员、现场记录员和 AI 标注系统协同生成,定义动作边界、动作类别、场景和意图,决定每条样本如何进入训练集,以及在训练里如何被采样、加权和评估。


之所以必须同步,是因为全身运动的价值不在某一个单独模态,而在不同模态之间的对应关系。 同一个“蹲下捡物”动作,人体 BVH 只能说明身体姿态如何变化;视频说明物体在哪里、手是否真的接触;场景资产说明物体所在的环境和可交互面;语义标签说明动作边界和任务意图。如果这些信号没有对齐,我们就无法判断手部轨迹对应的是哪一帧物体接触,也无法判断脚底受力是否对应当前姿态,更无法验证这段动作是否真的可以进入训练集。

为此,数据工厂为所有采集设备建立统一的采集时钟和时间戳体系:所有设备在采集前完成空间标定和时间校准,采集过程中由主控系统统一管理任务编号、动作编号、设备状态和开始 / 结束信号;能够硬件同步的设备优先使用触发信号、帧同步、时间码或 PTP 等方式对齐,不能硬件同步的设备则在本地记录高精度时间戳,并通过同步动作、标定事件或后处理算法做时间同步校正。

同步之后,每一条数据需要被整理成可以直接进入下游流水线的资产,这部分工作同样由前述录制管理平台完成。

平台一边做现场自动质检——检查时间同步、标定、轨迹完整性、骨长稳定、关键点异常和动作段边界,AI 辅助检查动作语义、表演一致性和明显录制异常;一边做统一入库——把同一段动作下的所有模态打包成统一数据包,绑定会话、设备状态、标定版本、时间偏差、丢帧情况和质检结果,并以主时钟为基准完成对齐、重采样和切片,形成能够直接进入重定向与训练流水线的最小数据契约。


跨本体重定向:重定向到多构型机器人

异构性问题的核心解法是动作重定向(motion retargeting):把一段以人体或某一参考本体为坐标系的动作,转化为目标机器人本体上的轨迹。到了工业化生产里,难点不再只是“能不能把一个动作转到一台机器人上”,而是能不能在大量动作和大量本体之间,持续、稳定、低成本地完成这件事。

算法层面,我们自研的重定向引擎面向“任意动作 × 任意机型 × 任意地形”。输入侧覆盖任意动作、上半身 / 下半身 / 全身,可以处理离线动捕文件、实时动捕流,也支持视频动作等不同来源的动作信号;输出侧覆盖结构、关节配置、尺度和驱动能力差异显著的足式、人形、上肢和复合构型机器人,并能把平地、斜坡、楼梯、不平地面等地形约束纳入统一求解,不需要为每条动作、每台机器人或每类地形单独写一套专用解算逻辑。求解器以运动学求解和几何约束为主干,把接触状态、支撑关系、空间约束、地形约束、关节限制和身体交互关系纳入同一个求解过程,输出语义一致、结构可达、质量稳定的候选轨迹。

工程层面,它有三个直接服务于工厂化生产的优势。

 第一,无需逐条调参、无需动作模版:跨本体能力来自一层统一本体抽象层——新机器人接入时,我们只依赖该机器人的 URDF 定义,算法就能在这层抽象上自动快速适配多种构型,不需要为每条动作或每台机器人写专用解算逻辑,也不依赖逐条动作的人工微调。

第二,流式与离线双模式:既能消化采集端实时进入的动作流,也能批量处理已有的动作库;这一点让重定向不再是“采完再处理”的离线工序,而可以做到边采边重定向——动作刚被记录下来,目标本体上的候选轨迹就已经可用,质检和后续动力学增强可以紧接着接入。流模式下,我们的重定向工具支持Noitom和Xsens等多种设备的输出数据。

第三,跨平台稳定分发:从工程站点、采集现场、训练集群到目标机器人侧都能以一致的形式部署和回放,让动作流在生产链路上始终基于同一份算法实现。

产能层面,它已经是工厂的主干生产服务。 按当前统计口径,这套重定向算法在单 CPU 核心上可以超过 1000 帧每秒,约为常规录制帧率的十数倍;我们为这条路线准备了一个算力集群,让它能持续消化采集端进入的动作流,并支撑同一段动作向多构型机器人并行派发。落到生产口径上,它把“每条动作都需要人工适配”的隐性成本,压缩成新本体接入时的一次性工程标定,把“采集 → 重定向 → 候选训练样本”的链路时间从天级压缩到接近实时。

同一段人类舞蹈动作经过跨本体重定向,被映射到多个不同机器人本体,部分涉密本体已做模糊处理。实现该效果不需要对算法进行手动参数调整或者额外配置。


数据增强:动力学、仿真与 AI 标注增强

跨本体重定向输出的是高质量候选轨迹,但候选轨迹还不是最终训练资产。数据增强要做的是继续把这些候选轨迹变成更可验证、更可训练、更容易被模型消费的数据。我们沿三条主线推进:动力学增强、仿真多样性增强、语义标注。

动力学增强把最有价值、最困难、最需要物理一致性的样本放进目标本体的动力学与接触模型里,通过 RL 动力学后处理同时控制跟踪误差和物理违背,让候选轨迹从“运动学上像”升级为“在目标本体上能跟踪、不穿透、不超扭矩、不违反摩擦锥”。被判定不可行的样本会带着具体失败原因进入质量反馈,而不是被直接丢掉。

仿真多样性增强则把同一段动作放进不同的虚拟环境里反复执行,让 CWM 资产的覆盖密度成倍放大。

一方面补齐缺失模态:通过物理仿真和渲染管线,给原本只采到动作和视频的样本补出力学信号、深度图、语义分割、多视角图像等本来没有采到的模态;

另一方面扩增视觉与场景多样性:替换物体和环境的贴图资产、调整材质和光照、变换房间布局、引入新的交互对象和初始状态、施加不同方向和强度的外力扰动。同一段动作可以在多个目标本体、多套场景、多种光照和多组扰动条件下派生出大量新样本,让模型见到的不是“做这个动作的一种方式”,而是“做这个动作的一个分布”。

语义标注让数据成为能被训练流水线检索、加权、筛选和复用的资产。AI 标注系统辅助生成动作切片、动作类别、接触状态、场景对象、任务语义、失败原因和能力维度等标签,专业动作设计人员负责复核语义边界和关键样本,把标注产出收敛到可用于训练采样和评估分桶的标准格式。

三类增强共用同一套版本与来源记录:每一条增强后的样本都会标记它来自哪条原始动作、经过哪个目标本体、哪一次动力学后处理、哪一轮仿真扩增、哪个标注版本,以及是否通过物理验证。这样训练系统能在不同版本之间安全地复用、对照和回滚增强样本,质量反馈也能在出问题时把责任定位到具体的增强环节。

跨本体重定向(绿色标记)后,通过动力学增强产生的动力学一致的高质量数据(红色标记)。数据的滑移、穿透、漂浮等情况明显减少 。


质量反馈:让模型训练结果回到生产系统

传统动捕质检多看轨迹是否干净;CWM 数据工厂的质量管理则要走两步:先沿生产链路做分层把关,再用模型训练的结果做闭环反馈。

第一步是分层把关。 一条样本从动作需求走到训练集,要顺序通过四道独立的质检,四层把关共同把一条候选样本筛成可入训练集的资产,但真正能不能训练出通用全身运动能力,最终只能由模型告诉我们。

  • 设计层

动作需求是否真的对齐能力缺口、是否覆盖运动覆盖图谱里仍然稀疏的格子、是否能落到现场可执行的动作方案上。这一层把控“该不该采”。

  • 原始数据层

表演者是否完整表达了设计意图,采集是否同步、标定是否到位,是否存在丢帧 / 漂移 / 关键点异常 / 骨长不稳等基础录制问题。这一层把控“采得对不对”。

  • 重定向数据层

候选轨迹在目标本体上是否结构可达、关节是否越限、接触关系是否成立、动作语义在重定向后是否仍然成立。这一层把控“换到目标本体上是否还成立”。

  • 增强数据层

动力学后处理后是否仍然可跟踪、不穿透、不超扭矩、不违反摩擦锥;仿真扩增和语义标注是否带上正确的版本与来源记录。这一层把控“放进训练集是否真的有效”。

第二步是结果闭环。 训练侧会把每一次模型评估结果,例如哪些动作类别在哪些本体上学稳了、哪些迁移失败、哪些接触状态训练收益最低、哪些样本通过了四层把关却没有带来实际增益,汇总成一份可回写的失败画像:在哪个本体、哪个动作类别、哪个接触状态、哪个训练版本下出问题,问题归因到设计、原始采集、重定向还是增强环节。

失败画像会被直接写回到上游每一层:设计层据此调整运动覆盖图谱的优先级和录制计划;原始数据层据此调整采集规范、同步策略和现场质检阈值;重定向层据此迭代算法能力;增强层据此调整动力学后处理强度、仿真多样性配置和标注口径。

两步合在一起,数据工厂就形成了持续迭代闭环。 它在实际运行中是双线推进:一条线是基于长期判断的主动覆盖,按运动覆盖图谱不断扩展人类全身运动库;另一条线是模型训练侧的反馈补洞,按失败画像回填上游每一层。每跑一轮,数据资产的质量、跨本体覆盖密度和训练收益都会同时往上抬一点:越跑越准、越跑越快,是 CWM 数据工厂随时间复利的核心来源。


ohQ2xgXUT808I7xTGUgkaCWz64



05 写在最后:我们数据工厂的现状和未来

过去三个月,我们在内部试点中跑通了跨本体全身运动数据工厂的端到端链路。这一阶段的目标不是追求最大产能,而是把整套生产系统真正运行起来:动作设计能否被系统化管理、多源采集能否稳定对齐、重定向能否快速适配新本体、增强和质检能否把候选轨迹变成可训练资产、训练反馈能否回到下一轮生产。

沿着这条链路,我们累计产出了近千小时高质量 CWM 数据;用这批数据训出的全身运动模型,最终在十多款结构、驱动性能、质量分布和惯量分布差异显著的足式机器人上完成了关键验证。

现在,这套方案已经完成内部可行性验证,数据工厂也即将完成正式建设。下一阶段的重点,是从试点验证转向规模化生产——把场地、采集棚、动捕设备、动作设计团队、表演者编制和算法 / 仿真 / 训练算力集群同时扩容,让前面跑通的产线在更大规模上稳定运转。

我们的目标是在新工厂落地后,形成每月数千小时级、面向多构型机器人的高质量 CWM 数据产出能力,并沿“数千小时 → 数万小时”分阶段爬升;在这一过程中,数据质量、跨本体复用率和训练增益会作为同一套生产标准被持续考核,让每一批新数据都能回答它在多少种本体上能跑通、在哪些动作类别上贡献了真实训练收益,而不只是“采到了多少小时”。

“ 不仅是运动控制的底座构建者,更是跨越数字世界与物理现实鸿沟的探路人。”

关于桥介数物

桥介数物致力于打造具身智能时代的通用机器人操作系统
平台向上适配通用大模型与多模态感知指令,向下兼容异构硬件本体

加入我们

发展历程

桥介数物的发展历程及所获得的行业殊荣

人才汇聚

核心算法研究人员的硕士、博士背景占比达 80%
第三方足式机器人运动控制解决方案市场占有率第一

桥介数物打造了一支覆盖学术研究、工程研发与商业落地的全链条复合型团队,目前团队规模超过100人,其中研发人员占比超过80%。核心技术成员来自华中科技大学、南方科技大学、卡内基梅隆大学(CMU)等海内外知名高校,具备扎实的机器人控制、人工智能及系统工程背景;市场与商务团队核心成员曾就职于华为、中兴、京东等行业领先企业,拥有丰富的产业资源整合与商业化运营经验。

共登具身之巅

桥介数物诚邀全球精英与科研人才,用算法与物理法则,定义下一代机器人的运动轨迹

全球部署筹备中

加入 BridgeDP 桥介数物

定义下一代机器人的运动轨迹

15 个在招职位已开放,工作地点深圳。算法、工程、产品与商业岗位同步招聘
社招与实习都可以投递。

查看在招职位

在招职位

名单与飞书招聘站一致,目前开放 15 个职位,工作地点均为深圳。

合作对接

请填写您的核心需求与联系方式,我们的合作顾问
将在第一时间与您对接,为您提供专业的解决方案与技术评估。

1h 极速响应1v1 深度对接100% 商业保密

请填写您的姓名

请填写有效的电话或微信号

邮箱格式不正确

  • RoboCraft AI平台接入与应用开发
  • 运动控制解决方案合作
  • 跨本体运动数据工厂合作
  • 多维感知与规划
  • 投融资与媒体合作
  • 其他

官方电子邮箱

contact@bridgedp.com

24小时接收商业意愿函

商务顾问专线

+86 186 1001 0263

工作时间(9:00-18:00)

深圳总部

深圳市南山区留仙大道7013号航天创新大厦1801

欢迎预约考察合作

桥介数物微信二维码

扫码添加微信号实时解答