软件先容

最新黄色地址使用指南

第一步：导入文件

翻开软件，，，，点击"?添加 最新黄色地址"按钮，，，，从电脑中选择《最新黄色地址》文件，，，，或直接将其拖拽至软件界面中。。。。。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。。。。

第三步：最先下载

确认无误后，，，，点击"最先下载/处理"按钮。。。。。。期待进度条读取完毕，，，，即可在设定的文件夹中审查下载好的正版文件。。。。。。

李飞飞学生提倡国际具身人类数据标准，，，，光轮智能成唯一加入中国企业，，，，最新黄色地址

诺亚 发自 凹非寺量子位 | 公众号 QbitAI

2009年，，，，李飞飞团队正式宣布ImageNet。。。。。。

随后，，，，以ImageNet为基础形成的大规模视觉识别使命，，，，让差别机构第一次能够围绕配合的数据集、种别系统和评测指标训练模子、较量效果。。。。。。

得益于这套可以一连扩展、统一较量的数据与评测基础设施，，，，图像识别和深度学习最先快速生长。。。。。。

17年后，，，，李飞飞的博士生Danfei Xu，，，，最先为机械人学习寻找类似的协作基础设施。。。。。。

Danfei Xu现在担当佐治亚理工学院交互盘算学院助理教授，，，，也是机械人学习与推理实验室（RL2）的认真人。。。。。。他在斯坦福大学攻读博士时代，，，，由李飞飞和Silvio Savarese配合指导。。。。。。已往几年，，，，他一连研究一个问题：机械人怎样从人类演示中学习，，，，并将这些履历迁徙赴任别使命、情形和机械人本体上。。。。。。

这条研究线，，，，最终汇入了EgoVerse——“第一视角人类操作数据生态”。。。。。。

EgoVerse是一套一连增添的第一视角人类操作数据生态与标准。。。。。。EgoVerse最新果真的同盟同伴中，，，，除了佐治亚理工、斯坦福、苏黎世联邦理工和UC San Diego等学术机构，，，，还包括Meta、Scale AI、光轮智能、Mecka AI、MicroAGI、Trace Labs等公司。。。。。。

最值得的关注是，，，，光轮智能作为唯逐一家中国公司，，，，泛起在这个顶级大佬云集的全球标准牌桌上。。。。。。

EgoVerse：Danfei想做的不但是一个数据集

机械人学习恒久面临一个显着的数据悖论。。。。。。

现在机械人训练仍然依赖真机遥操作，，，，每增添一条演示，，，，都需要机械人硬件、操作职员、实验园地和复位流程。。。。。。收罗速率慢、本钱高，，，，能够笼罩的使命和场景也很有限。。。。。。

而人类的种种行为自然包括富厚的视觉信息、行动历程、物体交互和使命战略，，，，显着是机械人更好的先生。。。。。。

第一视角人类数据提供了新的蹊径：先纪录人怎样在真真相形中完成使命，，，，再把这些履历迁徙给差别机械人。。。。。。

但已往的人类数据集大多是一次性项目。。。。。。

差别团队使用各自的收罗装备、坐标系统、行动标签和使命界说，，，，数据宣布后也很难一连扩张。。。。。。纵然两家机构都收罗了“把杯子放到碟子上”，，，，两份数据也未必能够直接放在一起训练。。。。。。

Danfei及其相助者因此没有把EgoVerse设计成又一份静态数据集，，，，而是做成了一套“活”的协作框架。。。。。。

EgoVerse目今果真版本包括1362小时人类演示数据、约8万个episode、1965项使命、240个场景和2087名收罗者。。。。。。数据不但包括第一视角视频，，，，还提供相机位姿、三维手部信息以及细粒度语言形貌，，，，并在差别实验室、差别使命和差别机械人本体上验证人类数据的迁徙效果。。。。。。

一套事实标准形成之前，，，，往往要先完成几件事：

让加入者接纳配合的数据结构，，，，遵守配合的使命语义，，，，生产可以相互兼容的数据，，，，并用统一要领磨练这些数据是否真的有用。。。。。。

EgoVerse正在做的，，，，正是这一步：先让全球具身数据最先凭证统一套“语言系统”流动。。。。。。

EgoVerse的焦点共建方，，，，都是什么配景？？？？？？

具身人类数据并不是戴上一副眼镜、录一段视频，，，，再加几个标签那么简朴。。。。。。完整收罗流程至少包括研究问题界说、收罗硬件、行动迁徙、规模；；；；；擞⑹荼曜⒑突等搜橹。。。。。。任何一家机构，，，，都很难单独完成所有环节。。。。。。

EgoVerse召集了具身领域里最头部的高校、学者、机构举行全球协作，，，，配合界说具有划时代意义的数据标准。。。。。。

佐治亚理工Danfei Xu教授：具身人类数据收罗蹊径标记性代表，，，，EgoVerse的提倡人

佐治亚理工肩负的是EgoVerse的组织中枢和研究框架角色。。。。。。Danfei Xu与RL2团队恒久关注机械人怎样从人类数据中学习。。。。。。到了EgoVerse，，，，问题不再只是“某一批人类视频能不可改善某一台机械人”，，，，而是进一步升级为：人类数据的效果能否跨实验室复现？？？？？？能否跨机械人本体建设？？？？？？数据规模增添时，，，，能力是否稳固增添？？？？？？哪些类型的数据才真正具有迁徙价值？？？？？？

EgoVerse让差别实验室在共享协议下重复实验。。。。。。佐治亚理工学院认真的代表使命是object-in-container，，，，斯坦福大学认真双臂细腻操作，，，，UC San Diego和ETH Zurich则加入长时序双臂使命验证。。。。。。由此，，，，Danfei搭起一种新的协作方式，，，，使已往互不兼容的数据、算法、机械人和实验室，，，，最先在共享协议下回覆统一组问题。。。。。。

斯坦福Shuran Song教授：UMI发明人，，，，让人类操作履历能够迁徙给机械人

人类有柔软无邪的双手，，，，机械人可能只有两指夹爪；；；；；；人可以依赖触觉、履历和身体协调完成使命，，，，机械人却需要明确的视察和行动体现。。。。。。因此，，，，人类数据并不会自然酿成机械人能力，，，，中心横着一道“具身鸿沟”。。。。。。

Shuran Song向导的斯坦福REAL Lab，，，，是买通这条路径的代表团队之一。。。。。。其团队开创的UMI——Universal Manipulation Interface，，，，使用便携式手持夹爪收罗真真相形中的人类操作，，，，再将这些演示转化为可安排的机械人战略。。。。。。

UMI的要害价值，，，，是让数据收罗挣脱牢靠机械人和实验室。。。。。。人可以带着装备进入真真相形举行重大长时序使命，，，，学习获得的战略还能迁徙赴任别机械人平台。。。。。。

简朴说，，，，斯坦福要解决的是：让人类履历酿成机械人能执行的行动。。。。。。

Meta：为EgoVerse提供专用数据收罗眼镜

第一视角数据收罗首先需要一双及格的“眼睛”。。。。。。Meta研发的Project Aria，，，，是行业首个专为“大规模；；；；；∧Ｗ印鄙杓频淖ㄓ檬菔章抻布，，，，可以纪录第一视角视频、手部行动、相机位姿和空间信息。。。。。。装备包括面向前方的RGB相机，，，，以及用于SLAM和手部追踪的同步场景相机。。。。。。没有这类空间感知能力，，，，第一视角数据很容易只是一段“看起来像人在干活”的视频。。。。。。Meta解决的是怎样把“人看到了什么”，，，，升级为“人在三维天下中怎样行动”。。。。。。

Mecka：人类数据先驱，，，，把数据收罗从专用眼镜普及到手机

若是一套人类数据生态只能依赖少数专用硬件，，，，它能够笼罩的收罗者与真真相形就始终有限。。。。。。

Mecka AI推动了一条更便携的收罗蹊径：使用iPhone与轻量化头戴装置完成第一视角收罗，，，，再通过云端处理恢复头部轨迹与双手三维要害点。。。。。。

这一方案让第一视角数据不再只来自少数机械人实验室，，，，而能够进入家庭、市肆、事情场合和更多真实使命情形。。。。。。

Mecka AI所解决的，，，，是怎样让人类数据收罗从专用装备走向更低门槛、更广笼罩的生产方式。。。。。。

Scale AI：人类数据的规模；；；；；圃旃こ

数据采回来之后，，，，还要履历洗濯、标注、质检、结构化和版本治理。。。。。。

Scale AI从2016年起恒久从事AI数据基础设施建设，，，，最早以自动驾驶等场景中的大规模数据处理能力著名。。。。。。进入Physical AI阶段后，，，，它又把数据工厂数据扩展到机械人数据收罗、标注、人工反馈和模子验证。。。。。。

Scale更善于把数据生产酿成一套成熟的运营和处理系统，，，，从而在人类演示从几百条酿成几万小时后，，，，把大规模、异构的原始收罗效果，，，，转化为稳固可用的数据产品。。。。。。

光轮智能：在规模；；；；；奶跫下，，，，构建人类数据最高质量标准

当具身数据生产真正迈向万万级小时，，，，单单依赖收罗工具和后处理，，，，无法知足规模；；；；；碌氖葜柿啃枨。。。。。。同时，，，，收罗装备越多、收罗职员越多、场景越重大的趋势下，，，，视角偏移、行动遗漏、使命中止、装备异常和标注纷歧致等问题也会被同步放大。。。。。。

数据可以快速增添，，，，但真正能被机械人学习的有用信息，，，，并纷歧定同步增添。。。。。。

而光轮智能补上的，，，，是一套贯串端侧收罗、云端处理和仿真验证的质量控制系统。。。。。。

与绑定某一款眼镜或收罗装备的方案差别，，，，光轮智能的目的是让数据管线兼容差别硬件。。。。。。无论原始数据来自Aria、iPhone、头戴相机照旧其他多模态装备，，，，都可以进入统一的云端管线，，，，通过VIO、三维手部与Body标注、V7级行动语义标注，，，，被转化成统一质量标准下的训练资产。。。。。。

数据完成处理之后，，，，光轮智能还会使用物理仿真SimFoundry和模子评测能力RoboFinals，，，，进一步验证行动轨迹、物理关系和使命历程能否被合理还原，，，，并判断数据是否真正具有机械人学习价值。。。。。。通过一直的回环评价，，，，掌握最快速的质量反。。。。。。，，并且一直迭代，，，，引领标准。。。。。。

因此，，，，光轮在EgoVerse中的孝顺，，，，是让数据在规模；；；；；幸廊蛔龅皆赐房煽亍⒖缬布统一、价值可验证。。。。。。

别的，，，，MicroAGI也在探索漫衍式众包收罗，，，，通过让操作职员在真实家庭情形中自然完成使命，，，，将人类数据生产从实验项目转化为可一连运营的收罗网络。。。。。。

规模；；；；；螅，，光轮智能怎样界说高质量人类数据

古板数据质量控制，，，，通常关注文件是否完整、名堂是否准确、轨迹是否缺失，，，，以及标注是否通过。。。。。。

但这些指标最多只能证实一条数据在生产流程上“及格”，，，，不可证实它真的值得机械人学习。。。。。。

一段视频可能拍摄完整，，，，行动轨迹却无法被机械人执行；；；；；；一条标注可能切合规范，，，，其中的使命历程却缺少要害方法；；；；；；一批数据看起来数目重大，，，，现实笼罩的人群、场景与行动漫衍却高度重复。。。。。。

光轮智能将人类数据质量拆成三个一连环节。。。。。。

首先，，，，用Agent驱动数据收罗质量与数据漫衍。。。。。。

在光轮智能看来，，，，具身数据最大的质量风险，，，，经常爆发在收罗现场。。。。。。

要害行动是否进入画面？？？？？？手与物体的交互是否被遮挡？？？？？？使命起点和终点是否完整？？？？？？收罗者是否偏离操作要求？？？？？？一个episode虽然录制完成，，，，是否真正包括完整的学习历程？？？？？？

若是这些问题比及数据上传后才被发明，，，，往往只能整段作废，，，，或者重新组织职员补采。。。。。。

光轮智能的Agent驱动收罗系统，，，，会围绕装备状态、使命流程、行动完整性和有用视角举行实时检查，，，，并在发明风险时推动现场纠偏或补采。。。。。。

更主要的是，，，，Agent不但认真单条数据质检，，，，也可以凭证已有数据漫衍，，，，调控下一轮需要收罗的人群、场景、使命与行动类型，，，，阻止数据规模增添后泛起大宗重复样本。。。。。。

这使数据质量从事后抽检，，，，转化为生产历程控制。。。。。。

其次，，，，通过兼容多种收罗硬件的云端平台，，，，实现统一的数据标准。。。。。。

无论原始数据来自眼镜、手机、头戴相机照旧其他多模态装备，，，，都需要经由云端统一的处理和质量控制，，，，才华进入统一个训练系统。。。。。。

光轮的处理流程包括视觉惯性里程计，，，，也就是VIO，，，，用于恢复相机在空间中的运动；；；；；；三维手部与Body标注，，，，用于还原人的身体行动和手物交互；；；；；；以及V7级行动标注，，，，把一段一连视频进一步切分为可以与使命历程对齐的行动语义。。。。。。

光轮智能的人类数据解决方案EgoSuite，，，，能够在生产规模上提供三维手部、三维全身姿态和帧级语义标注，，，，并强调在遮挡和近距离物体交互情形下维持稳固追踪。。。。。。其平台也果真强调对差别商业装备、研究型眼镜、行动相机和定制收罗系统的兼容能力。。。。。。

这套思绪可以用一句话概括：硬件可以多元，，，，进入模子之前的数据标准必需一致。。。。。。

最后，，，，用仿真与评测磨练数据价值。。。。。。

数据处理完成后，，，，还要回覆一个更要害的问题：这些数据，，，，是否真的值得机械人学习？？？？？？

光轮智能将自研仿真平台SimFoundry与工业级评测平台RoboFinals接入人类数据质量闭环。。。。。。SimFoundry将人类数据中的行动轨迹、物体关系和使命流程，，，，转化为机械人可执行、可复现的仿真使命；；；；；；RoboFinals则通过标准化评测，，，，验证这些数据事实提升了哪些使命，，，，又会在哪些机械人本体、场景和物理条件下失效。。。。。。

因此，，，，数据价值不再由生产方自行界说，，，，而是由机械人训练和评测效果配合验证。。。。。。评测历程中发明的失败案例，，，，也会进一步反馈给收罗端，，，，指导下一轮需要增补哪些数据、扩大哪些漫衍、修正哪些收罗规则，，，，形成一连优化的数据闭环。。。。。。

最终，，，，高质量具身人类数据形成一条完整的数据质量闭环：

端侧Agent实时控制收罗质量 → 多种收罗硬件统一接入云端 → VIO、手部、Body Pose与行动语义标准化处理 → SimFoundry将人类数据转化为机械人可执行使命 → RoboFinals验证数据学习价值并定位失败模式 → 评测效果反馈下一轮数据收罗。。。。。。

唯一中国公司，，，，进入全球两大具身基础设施标准

随着具身智能从单点手艺验证走向规模；；；；；ぃ，，行业竞争正在从模子能力，，，，进一步延伸究竟层基础设施与标准系统。。。。。。

其中，，，，两条要害主线正在形成。。。。。。

一条是以EgoVerse为代表的数据基础设施，，，，界说高质量具身人类数据怎样收罗、组织、处理、共享和一连迭代；；；；；；另一条是以Newton为代表的物理仿真基础设施，，，，界说机械人怎样在遵照真实物理纪律的仿真天下中完成训练、验证和评测。。。。。。

Newton由NVIDIA、Google DeepMind和Disney Research联合提倡，，，，由NVIDIA、Google DeepMind、Disney Research、光轮智能和Toyota Research Institute（TRI）五家企业配合组成手艺指导委员会（TSC），，，，一连界说机械人仿真与物理建模的手艺蹊径，，，，正逐渐成为全球具身智能的主要物理仿真基础设施。。。。。。

前者解决机械人从那里获得可规模；；；；；难奥睦，，后者解决这些履历怎样在物理天下中被复现和验证。。。。。。数据与仿真，，，，配合组成物理AI走向规模；；；；；牧酱蟮鬃。。。。。。

光轮智能成为现在唯一同时加入这两套国际标准系统的中国企业。。。。。。

在EgoVerse中，，，，光轮带入的是一套贯串人类数据生产全流程的质量系统：从端侧Agent治理收罗历程，，，，到多种硬件数据进入统一云端管线，，，，再到通过仿真与模子评考试证数据价值。。。。。。人类数据质量由此从依赖人工抽检和履历判断，，，，走向可界说、可较量、可验证、可一连优化的工程标准。。。。。。

在Newton中，，，，光轮加入物理求解、仿真资产、机械人训练与评测等焦点能力建设，，，，推动真实天下中的物体、使命和物理历程，，，，转化为机械人可以交互、训练和验证的仿真基础设施。。。。。。

这意味着，，，，光轮加入界说的不但是某一种数据名堂，，，，也不但是某一套仿真工具，，，，而是毗连真实天下数据、物理仿真、模子训练与能力验证的底层标准。。。。。。

若是说ImageNet为视觉AI建设了配合的数据基础设施，，，，那么EgoVerse与Newton则划分从数据和仿真两个偏向，，，，为物理AI建设新的全球基础设施。。。。。。

光轮同时进入EgoVerse与Newton，，，，加入建设的已经不但是今天的工具链，，，，而是未来全球具身智能工业配合遵照的底层基础设施。。。。。。这也意味着，，，，中国企业最先从标准的使用者，，，，走向全球物理 AI 基础设施规则的配合界说者。。。。。。