人形機器人，正成為未來產業的關鍵賽道。

從春晚舞臺的列隊表演，到運動會賽場的同臺競技，短短一年間，技術不斷突破，品類持續豐富，應用場景快速拓展。人形機器人以肉眼可見的成長速度，跑出了產業發展的加速度。

然而，一個關鍵問題仍懸而未決：人形機器人在真實世界中行動，并大規模商業化應用，究竟還要多久？答案不僅取決于機器人本體技術的突破，更取決于機器人對物理世界的感知、理解與交互能力——而這些能力的形成，離不開高質量數據的持續喂養。

從“能看”到“看懂”

空間感知能力，靠數據“喂”出來

具身智能機器人要進入真實世界，首先面臨的是“莫拉維克悖論”式挑戰：人類習以為常的精密裝配、狹小空間操作等動作，對機器人而言涉及高維關節控制、力度反饋、實時環境感知等復雜技術。

其中，對動態環境的精準感知與空間理解，是機器人安全運行的前提，機器人需要實時構建高精度三維空間地圖，識別各類物體、設備和人員。而這一感知能力的訓練，依賴的是海量、高精度、帶標注的真實環境空間數據。

依托多年積累的光學動作捕捉、高精度定位等技術，利亞德能夠為具身智能機器人提供關鍵的數據支撐，助力機器人實現精準的環境感知、自然的動作交互和更高效的任務執行。

如果說空間感知能力是機器人進入真實世界的一道門檻，那么利亞德提供的數據，就是幫助機器人跨過這道門檻的“階梯”。

從“數據”到“訓練”

為機器人“生產”高質量數據

具身智能機器人的另一核心挑戰，是如何習得人類靈活、精準的動作技能。傳統依賴仿真環境訓練的方式，存在“仿真到現實”的鴻溝，而真實場景采集又面臨成本高、效率低的問題——這正是數據規?；甑耐袋c，也是利亞德數據服務發揮價值的關鍵戰場。

利亞德為這一難題提供了高質量數據方案，通過捕捉人類在真實場景中的操作數據，轉化為機器人的訓練語料。目前，已經與多家具身智能研究機構及企業合作，構建面向多元場景的動作數據集。樂聚機器人正是這一模式的成功范例：

在利亞德虛擬動點數據服務與動捕設備的賦能下，樂聚全尺寸人形機器人實現了真人動作與機器人動作的實時重定向，全身協同控制下，扭腰下蹲等動作自如流暢，全向移動跟隨行云流水，展現出高度的靈活性與穩定性。

較半身機器人或單一機械臂的遙操作，全尺寸機器人需實現從頭部、軀干到四肢的全身協同映射，技術難度呈指數級增長。實現流暢的全身協同控制，系統須在極短時間內完成數據采集、姿態解算、逆運動學求解、力矩分配及指令下發等一系列復雜流程，對動捕系統的端到端延遲與數據刷新率提出了極高要求。

全尺寸機器人的全身遙操作，本質上是“數據驅動”與“模型驅動”的深度融合，動作數據的質量，直接決定了遙操作的流暢度與精度上限。利亞德依托OptiTrack光學動作捕捉系統，為機器人訓練提供了關鍵的數據支撐。該系統具備亞毫米級精度，3D精度最高可達±0.05毫米，旋轉誤差控制在±0.5度以內，端到端延遲最低可達2.8毫秒，幀率最高支持1000幀/秒，帶來“所想即所動”的遙操作體驗。

人形機器人進入真實世界，不是一場百米沖刺，而是一場需要技術協同、產業共建的馬拉松。在這場從“硬件競賽”轉向“數據競爭”的新賽道上，數據已經成為決定機器人能否真正“落地”的重要變量。