[CVPR 2026 预测] AoE 系统：让数十亿手机变身具身智能“矿机”，采集效率提升百倍

TL;DR

具身智能领域正面临严重的“数据饥渴”。传统的机器人采集方式要么太贵，要么太慢。Ant Group 等团队提出的 AoE (Always-on Egocentric) 系统打破了这一僵局：只需一个 20 美元的挂脖支架和一部智能手机，就能将普通人的日常生活转化为高质量的机器人训练数据。实验结果显示，这些来自人类的“第一视角”数据能显著提升人形机器人在复杂任务中的成功率。

背景定位：具身智能的 Scaling Law 缺燃料了吗？

大模型（LLMs）的成功依赖于互联网规模的文本数据，但机器人（Embodied AI）在物理世界的交互数据却极其稀缺。

• 昂贵的 Teleoperation：一套方案动辄数万美元，无法大规模扩展。
• 笨重的 Wearables：戴着 VR 头显生活极不自然，采集的数据存在偏差。
• AoE 的定位：它是首个真正实现“Anyone, Anytime, Anywhere”采集的工业级分布式系统，将数据成本从数千美元压缩至 20 美元以内。

痛点深挖：为什么以前的视频不能直接用？

现有的第一视角视频（如 Ego4D）之所以难以直接训练机器人，主要因为：

1. 标签缺失：视频只有像素，没有 6-DoF 的手部动作和相机轨迹。
2. 噪声巨大：大量的无效片段（晃动、遮挡）导致处理成本极高。
3. 具身差异：人类的手和机器人的夹持器完全不同，直接模仿效果差。

方法论详解：端云协同的“数据炼金术”

AoE 系统不仅是硬件，更是一套严密的自动化处理流水线。

1. 硬件与边缘侧触发

作者设计了一款人体工程学的磁吸挂脖支架，利用手机的超广角镜头模拟人类视场。APP 端运行轻量化模型，只有检测到“手-物交互”时才会触发录制，实现了“24小时待命”且隐私保护。

2. 云端自动化标注流水线（The Core）

这是将 raw video 转化为训练资产的关键，包含六个阶段：

• 原子动作分割：利用 Qwen2.5-VL-235B 等多模态大模型将长视频切分为有语义意义的小段。
• 3D 重建与轨迹恢复：通过 MegaSAM 和 HaWoR 等算法，在 3D 空间内还原手部关节点和相机的 6-DoF 轨迹。
• 数据增强（Generative Augmentation）：采用类似 Masquerade 的方法，用生成式模型将人类的手“擦除”并“修复”成机器人的夹爪，甚至替换背景以增加场景多样性。

图1：AoE 系统概览：从挂脖手机采集到端云协同自动标注

实验与结果：人类数据真的是机器人的“补药”吗？

团队在 Unitree G1 人形机器人上进行了严格测试。

1. 精度验证

AoE 恢复出的手部动作和相机轨迹误差极小。在 ATE（绝对轨迹误差）指标上，即便只有单目 RGB 输入，也能保持厘米级的精度。

2. 真实任务表现

在“关闭笔记本电脑”这一精细操作任务中：

• 仅用机器人数据：成功率 45%。
• 机器人 + AoE 人类数据：成功率升至 95%！ 而在“倒豆子”这种涉及流体和长时程技能的任务中，如果没有 AoE 提供的先验知识，机器人几乎无法入门（0% -> 20%）。

表1：加入 AoE 数据后的任务成功率（SR）显著提升

3. Scaling Behavior（规模效应）

实验观察到，哪怕机器人本身的演示数据很少（只有 10 组），只要喂入 200 组 AoE 人类数据，模型就能展现出极强的迁移能力。这证明了人类视频中蕴含的“物理规律”是可以跨载体学习的。

深度洞察：具身智能的“Uber 模式”

AoE 的核心贡献不仅在于算法，更在于提供了一套分布式数据生产系统。

• 低延迟：通过边缘节点，上传延迟从 500ms 降至 100ms。
• 弹性扩展：基于 K8s 的架构可以同时承载数千个采集终端。 这种“人人参与”的模式，预示着未来具身智能数据采集可能会像外卖配送一样，通过众包模式在全球范围快速铺开。

局限性与展望

尽管 AoE 表现惊艳，但在处理柔性物体（如叠围巾）时仍受限于硬件控制频率和延迟。未来，研究团队计划开源大规模 Egocentric 视频数据集，并进一步探索如何从这些海量的人类演示中挖掘出更复杂的“通用操作技能”。

总结 (Takeaway)：AoE 告诉我们，通往 AGI（通用人工智能）的物理路径不一定非得堆昂贵的平衡车或机械臂，利用好每个人口袋里的智能手机，可能才是通往 Scaling Law 的捷径。