具身智能正成为 AI 领域最受关注的方向之一。要让机器人像人类一样理解并操作物理世界，模型离不开海量、高质量、贴近真实的操作数据。但在现实中，使用者面临以下痛点：

• 说到数据稀缺。真正能体现“手-物体”交互的高质量视频和轨迹很难获取。
• 至于采集困难。需要专业设备与场景，成本高且耗时。
• 至于标注昂贵，人工切分动作片段并配上自然语言指令耗费大量工时。怎么说呢，
• 说到格式混乱。不同设备产生的数据结构不统一，导致后续处理繁琐。
• 再看训练低效。原始视频需要经过多步重建、去畸变、标注等过程，算力消耗巨大。

再看挑战。从 UMI 采集数据到有效训练数据的四道难关

穹彻智能以“伴随式数据采集”为关键技术，通过手持式通用操作接口让人无需真机即可产出大量训练数据。UMI 手持夹爪搭载广角鱼眼相机，在自然操作中同步记录第一视角视觉画面、末端 6DoF 位姿轨迹与夹爪开合状态。为模仿学习提供最通用的 manipulation 先验。老实说，

只是要把这些宝贵的数据变为模型可“吃”的训练样本。必须突破以下四道难关：

1️⃣ 位姿恢复——计算密集型任务

手持采集没有外部动捕设备，需要从鱼眼视频中使用视觉 SLAM 算法重建夹爪的 6DoF 位姿轨迹。视频越多算力需求成倍膨胀，单机难以承载。

2️⃣ 相机标定——重度依赖算力

鱼眼镜头畸变严重且缺乏内参。需要先做去畸变，再估计焦距与相机内外参，每帧都需逐一处理，算力成本高昂。

3️⃣ 动作分割——人工成本高、周期长

连续操作中，一个原子动作何时结束、下一个何时开始难以人工界定；怎么说呢，还需自动质检轨迹是否在机器人关节限位内。并给每个片段配上自然语言指令。靠人工切分与标注成本高且周期长，根本无法规模化。

4️⃣ 数据量极大——单机扛不住

数百小时的视频叠加去畸变、SLAM 位姿重建、VLM 标注等多重处理，使单机算力无法支撑。链路长且任务耗时久，一旦任何环节中断整批处理前功尽弃。

这些痛点汇聚成四个工程诉求：

• 按需扩缩、扛住高负载的数据处理框架；
• 覆盖周期调度、批量重跑与手动触发等多场景编排框架；
• 每条数据每个任务都可追溯血缘；
• A全生命周期训推网站，与数据网站无缝衔接。

至于破局，跑在云上的 UMI Data+AI Pipeline

穹彻智能联合阿里云。以 MaxCompute+ DataWorks + Hologres + PAI 建立端到端自动化 UMI 数据处理产线，将原本依赖人工与单机跑批的流程转化为稳定运行、弹性 、全程自动化的工业化生产线。

MaxCompute MaxFrame 重构数据生产链路

• 弹性算力 & 自定义镜像环境

SLA 级别弹性资源让数百小时视频的多重处理任务被拆分到分布式资源。其实，GPU 承担 SLAM 位姿重建与 VLM 多模态推理。CPU 负责去畸变、切分、时间对齐、质检与动作计算。第三方模型以 DataFrame 算子形式分布式运行，无需为上云重写算法。

• 原生 AI Function 算子支持 VLM/LLM/Embedding 调用

语义标注阶段直接调用 QwenVL 大模型生成语言指令。无需自建推理服务，即可低成本完成大规模批量多模态推理。

• 断点续跑 & 单个失败不阻塞全局

EACH 阶段独立落表支持断点续跑；按理说，单个视频片段失败只记录，不影响全局进度。按理说，OSS 挂载 + 镜像预热 + GPU 显存复用保证长时间大批量任务稳定运行。最终输出符合 LeRobot 标准的数据集，可直接加载至主流 VLA 模型进行训练或评测。

DataWorks 统一调度编排

• 公司级智能调度能力

P定期周期调度支持分/时/日/周/月/年及自定义日历，多任务共享同一日历；一键补齐历史回溯与重算功能；API/Webhook/消息中间件事件驱动及人工手动触发实现灵活启动；修复支持自动重试与 AI 诊断预警，确保按时产出。

Hologres 支撑 Episode 元数据服务

• 实时数仓承接 Episode 元数据

SLA 高并发点查 + 持续写入模式天然适合此业务场景，无需另建 KV 或搜索引擎。不过，行列共存存储保证在线检索即时可见，同时维持一致性和实时性。为样本检索、标注审核和训练管理提供统一入口。

PAI 加速模型迭代

• 完整训推闭环工具链

1. LeRobot 数据集产出后在 PAI-DSW 挂载自定义镜像完成小规模验证；
2. 迁移至 PAI-DLC 开展多卡分布式训练；说起来，
3. ；
4. 评测结果反馈至数据筛选和模型参数调整，实现持续迭代闭环。

MingBot-VLA 的性能 Profile 指出 Attention 计算是热点。证实明显提高 GPU 利用率与训练指标一致性，为后续大规模部署奠定基础。

成果

• 吞吐提高# 倍以上# 全流程无人工干预
• 多模态标注实现大规模自动打标
• 弹性算力峰值 至# 万+ CU # ，绕开本地 IDC 瓶颈
• 模型训练效率提高约# % # 

"