具身智能数采设备怎么选?硬指标、口径陷阱与主流设备对比

具身智能数采设备怎么选？硬指标、口径陷阱与主流设备对比

买方视角的硬门槛、口径陷阱与验收规则

具身智能这一轮，讨论模型和本体的内容很多，第一视角数据怎么采、指标怎么定、设备怎么比，公开能查到的整理很少。我们过去一段时间在做这件事，定了数采需求，评审了几轮设备和供应商方案，踩过一些口径的坑。这篇文章把能公开的部分写出来，指标尽量给到能直接写进需求文档的程度，设备对比用已有公开规格。

业内对第一视角路线的判断基本一致，机器人部署时看到的是自身相机的画面，手和物体的相对位置、抓握闭合、接触时刻这些对操作最关键的信号，只有站进任务里才拍得到。落到硬件上是一条选型原则，采集装置的相机位置和视场，必须匹配目标机器人末端执行器的传感器几何。差得太多，真人数据往 policy 上迁移时，收益会大量漏掉。

展开指标之前，先给一个总纲。Ego 数采设备的核心是一套空间测量系统，多视角相机、高质量 IMU、精确时间同步、精密标定、手部和腕部观测、稳定记录，缺一块，数据就废一块。高分辨率头显只是其中一块，权重还没有排序靠前的几项大。这套系统的质量是各组分的连乘，可观测性、同步、标定稳定性、追踪、数据完整性，任何一项归零，整体归零。各项的优先级大致是，几何可观测性高于时间同步，时间同步高于标定稳定性，再往下是遮挡冗余、图像分辨率，头显本身的 XR 功能排在最后。后面每一节都在展开这个排序。

第一部分

相机和 IMU 的硬门槛

最硬的一条是快门。人干活时头和手同时在动，卷帘快门逐行曝光带来的畸变跟着运动变，标定做不掉。这里要把门槛限定准确，需要承担三角测距、运动重建、手部几何估计的几何主相机，必须全局快门，没有商量余地；纯语义画面的 RGB 相机可以放宽，Aria Gen 2 就是这个架构，4 颗 CV 相机全局快门管几何和 SLAM，12MP RGB 卷帘快门管纹理和语义，官方确认这是一种合理分工。评审时要对方说明每颗相机的快门类型，最好给实测图，有方案用软件模拟或者 global reset 冒充全局快门。

其余相机指标有公认的下限。分辨率单路不低于 1080p，注意要两路同开实测，有的设备单路能跑，双路一起开就掉，优选 1920×1200，竖直方向对工作区覆盖更充分。帧率上，60fps 比 4K 更值得优先，手部动作快，几何相机建议 1920×1200@60 全局快门，RGB 语义相机 1080p 到 2560×1920 之间按 30 到 60 帧配。视场角要看有效视场，也就是校正之后的视场，水平不低于 110 度、垂直不低于 80 度，推荐 120 到 160 度、垂直 90 度以上。宣传页上的 180 度常常是鱼眼圆的直径，校正后没这么大。鱼眼镜头可以用，必须有精确的去畸变模型。镜头必须定焦，自动对焦一动，内参跟着变，标定作废，深度也没法用。前置双目的基线不低于 80mm，推荐 100 到 120mm，公开方案多在 86.8 到 120mm 之间，这个区间直接决定 0.3 到 1.2 米工作区的深度精度。

曝光也有讲究，它的优先级远高于分辨率数字。手以每秒 1 到 2 米的速度动，每毫秒位移 1 到 2 毫米，8 毫秒曝光就是 8 到 16 毫米的运动模糊，4K 的像素再多也救不回来。所以正常动作曝光钳制在 4 毫秒以内，高速手部动作目标 1 到 2 毫秒，亮度靠增益补。室内还有 50 赫兹的灯光频闪，相机要有防闪烁功能，多帧合成的 HDR 要能关掉，它会把帧与帧的时间戳定义搅乱。相机每帧的曝光、增益、时间戳要可读回，这是后面 QA 的基础。

双目相机还有一条容易漏的，左右目的曝光和白平衡必须主从同步，一路决策、两路同参数，并且支持完全手动锁定。左右各自自动曝光的设备，一到明暗交界的场景，两路画面的亮度对不上，立体匹配大面积失败，深度就废了。选型时还要问清自动曝光收敛需要几帧。

物距覆盖对照手部工作区检查。典型要求是 25 到 70 厘米或者 30 到 120 厘米的工作区落在景深内，前置相机组最好从 20 厘米覆盖到 5 米，把桌面以下、腹部高度的画面都装进来。

IMU 的门槛写在纸面上只有一句，采样率严格大于 200Hz，这是最低门槛，不是设计目标。实际评审里这条最容易被擦边。有设备的规格恰好卡在 200Hz，按字面就不达标，要追问能不能上调。还要确认标称的是芯片输出频率还是实测输出频率，这两者经常对不上。公开设备已经把标杆拉得很高，Aria Gen 1 双 IMU 是 800 和 1000Hz，Gen 2 典型 800Hz、最高 1600Hz，FastUMI Ego 用 500Hz 的 ICM-42688，所以自研的主力规格建议 500Hz，高端 800 到 1000Hz 双 IMU。

IMU 的细节还有几条。轴数要 9 轴，磁力计在 UMI 路线是必选。量程建议双 IMU 搭配，一路 ±4g、±500°/s 做精密通道，另一路 ±16g、±2000°/s 留出甩头的饱和裕量，两颗用不同型号的芯片，高阶误差互不相关，融合后噪声更干净。陀螺仪零偏要求不大于每小时 5 度，零偏、比例因子、轴对齐、温补系数要能导出成标定文件。输出必须是原始的陀螺加加速度计数据，芯片端融合过的数据不要。时间戳由硬件中断打，不能取主控读取的时刻，FIFO 回溯补偿机制要让供应商说明。

硬门槛收成一张表。

第二部分

先盯同步，再谈帧率

同步的道理可以算成一笔账。手部动作速度能到每秒 1 到 2 米，1 毫秒里手就走 1 到 2 毫米。两路数据的时间戳差 5 毫秒，毫米级的几何信息已经错位，再高的帧率也救不回来。

设备内部的同步靠硬件。所有相机接同一个触发信号，相机间偏差压到 0.1 毫秒以内，实测系统做到 200 微秒量级。相机和 IMU 共用一个晶振，固定偏移靠标定消掉，实测里见过 5 到 8 毫秒的偏移，不标定就一直留在数据里。

跨设备更难。头和腕两台设备，有线连接用触发线加对时握手，能压到 10 微秒级；无线走蓝牙信标，验收线定在 1 毫秒。软件对时只能做兜底，用离线 IMU 互相关能到 5 到 10 毫秒，元数据里要标注同步等级。只靠软件对时的方案，头显和计算单元之间的偏移典型值就有 2 到 3 毫秒，p95 能到 11 毫秒，毫米级精度谈不上了。

长录制还有漂移问题。各自带独立晶振的设备，一小时能累计上百毫秒的偏差，中途不报错、不丢帧。姿态漂移的麻烦在于它静默发生，0.05 度的相对偏航漂移，纯几何位移在 120 厘米处约 1 毫米，但经过双目外参传播和三角测量放大后，深度误差会比这个数字大得多，而且双目数据自己看不出来，只有对着外部真值才能发现。所以验收标准定为 1 小时录制端到端累计偏差小于 10 毫秒，逐帧帧间隔也要抽查，P99 偏离标称值不超过 10 毫秒。交付门槛可以放宽到 20 毫秒，再宽，手部轨迹就没法用了。

工程上有几个成熟做法值得写进需求。一是双时间戳体系，硬件时间戳 64 位微秒、单调递增、单次会话内对齐，UTC 时间戳跨会话关联、由 NTP 校准。二是采样率整除对齐，以 IMU 300Hz 为基准，视觉和手部追踪跑 60Hz、空间定位跑 30Hz，关键对齐点的时间戳严格一致，误差小于 1 毫秒。三是帧时刻口径要声明，每帧时间戳对应曝光开始、中点还是读出结束，融合时以曝光中点为基准，逐帧输出实际曝光时长。四是共享时钟整个会话期间不可重置，头显热插拔换电的场景，要求桥接电芯维持 90 秒供电，保住时钟和标定状态。

时间戳还有一层容易被忽略。MP4 容器里的时间戳是按恒定帧率生成的，不反映真实采集时刻，掉帧的位置会被均匀填平。所以交付里必须有逐帧独立时间戳文件，掉帧如实留空洞并打上丢帧标记，用重复帧补齐的要整条拒掉。

第三部分

位姿精度，先把口径问清

头部 6DoF 位姿的验收口径是 10mm ATE，绝对轨迹误差。这一条要先立住，因为规格表上漂亮得多的数字几乎都不是这个口径。宣称 2 到 3mm 的，多半是相对位姿误差，衡量相邻时刻的平滑程度，积累漂移完全不反映。我们用光学动捕实测过一类头戴设备，作为真值参照，其 RMS 平移误差到了 11mm。

在线和离线也要分开。在线 VIO 没有回环，误差约为离线全局优化后的 2 倍，长时间运行必然漂移。对比公开基准有个大致的刻度，EuRoC 数据集上优秀算法的离线 ATE 在 2 到 3 厘米，TUM-VI 上约 0.9 厘米，HOT3D 上 0.3 到 0.4 厘米。RoboCap 的六目 VI-SLAM 报告对比了 ORB-SLAM3、Basalt、OKVIS2 和 cuVSLAM，量级都在这个范围。谁宣称显著低于这个刻度，先问真值怎么来的。

位姿输出还有三条工程要求。追踪状态必须作为字段输出，正常、丢失、重定位各自标记，重定位后世界坐标系可能跳变，要用事件字段标出来，下游才知道哪一段轨迹不能直接用。输出频率要求 300Hz 以上稳定连续无跳变，姿态和关节数据 50Hz。无遮挡条件下，光学动捕或激光追踪的定位精度能做到 1 到 5mm，这是腕部相对头戴定位 ≤5mm 验收线的真值基础。

第四部分

毫米精度是被遮挡吃掉的

深度误差随距离的平方增长。按 12 厘米基线、0.25 像素视差精度算，单帧误差是这样的。

真正的麻烦在遮挡。

关键点被挡住时，误差会退化到 1 到 3 个像素，在 120 厘米处一帧就是 18 到 50 毫米。误差最集中的帧，恰好是训练价值最高的帧。手合拢、接触物体那一下，手掌自己把关键点挡了。三组数字能说明多目布局的价值。单颗相机大约有 15% 的帧看不见关键点，两目同时可见的覆盖是 72%，加到三目，可三角化的覆盖抬到 94% 左右。腕部相机的必要性也从这里来，抓握闭合的瞬间手掌挡住关键点，腕部视角是少数还能看清的机位。

落实到布局验收，要求 30 到 120 厘米范围内的任意工作点，至少被两颗相机在正负 50 度视角内覆盖，三角测距角落在 5 到 40 度之间。腹部高度那一圈最容易被漏掉，要专门扫一遍。误差报告也要分帧类，接触帧和过渡帧各算各的，中心视场和边缘视场分开，混在一起的指标没有意义。这一项的目标可以定为，接触帧 90 分位 MPJPE 不超过 10 毫米。

手部追踪的精度数字同样要看口径，而且要把设备能力和算法精度分开。设备负责的是可观测性，多视角、全局快门、同步、标定、足够视场、度量深度，这些是硬件承诺的部分；21 个关键点、MANO 姿态、置信度、遮挡状态是算法在硬件产出上算出来的部分，同一台设备换个算法，精度数字就变了。验收时要分清买的是哪一层。RoboCap 的多视角方案给出过几组数，在公开数据集 HOT3D 上是 14.47mm，内部合成测试 9.2mm，第三视角的 DexYCB-Mv 上能到 5.7mm。同一套算法，场景换了，数字差出一倍多。评估还有两个坑，一是不能做 Procrustes 对齐，对齐后误差会虚假变小；二是要在真实的手物交互场景里测，拿干净的张开手掌数据测出来的精度，到了抓工具、端杯子的场景会掉一截。输出侧的数据结构可以参考 Aria MPS 的做法，每手 21 个关键点各自带度量 3D 坐标和逐关节置信度，另加追踪状态、腕部位姿、掌部位姿和遮挡状态，不是只存一串 xyz。

精度要立得住，还要标定兜底。逐台出厂标定，和设备序列号绑定，随每条数据交付，这件事应该视为数采设备的基本能力而不是附加功能，Aria Gen 2 每台设备都带独立出厂标定文件，内参、外参、IMU 标定、设备变换全部按标准 JSON 交付。鱼眼镜头用 Kannala-Brandt 模型，4 参数或 8 参数写明确切型号和完整系数，标定靶要覆盖大视场边缘，重投影误差压到 0.2 像素以内。验收线上，单相机重投影不超过 0.5px RMS，任意两相机外参重投影不超过 1.0px，工作温度内光心漂移不超过 1px、焦距漂移不超过 0.3%。实测的量级可以做个参照，灰度相机约 0.3px，RGB 相机约 0.8px，相机对 IMU 约 0.7px。还可以更进一步，记录逐时刻温度对应的内外参和 IMU 零偏，每条 episode 采前采后各查一次双目残差，头戴结构的佩戴形变就能及时暴露。

温度一变，光心和焦距会漂，长会话要有自标定。RoboCap 的做法是每段录制用自然场景自标定一次，极线残差中位数从 3.8 像素降到 0.56 像素，1 米内的深度相对误差从 2.3% 降到 1.1%。Meta 的 MPS 服务也在做类似的事，按帧率估计相机和 IMU 内外参的时变量，能修正佩戴应力导致的 25 角秒级微形变。这套流程不做，早上标定的参数到下午就不可信了。交付清单里还要有一份坐标系文档，手性、轴向、四元数用 wxyz 还是 xyzw、相机到机体的方向，全都写死，不然两批数据对不上。

第五部分

音频、腕部设备和整机形态

音频分三档。门槛 16kHz、16bit；主流 48kHz PCM 立体声，双 MEMS 麦克风、约 14 厘米立体声基线，配防风网罩和减振装配；做视触觉的方案再加一路 192kHz 双声道的接触声学，贴在夹爪附近拾接触音。

腕部设备是一套独立的小规格单。RGB 不低于 1280×1280@30，优选 1600×1200@60 全局快门，视场水平 165 度、对角 188 度，可视距离 0.1 到 1.5 米。深度用 ToF 的话 640×480@30、2 米内误差小于 1.5%，或者视觉派生近场 10 到 80 厘米误差 5mm 以内。腕部相对头戴的定位精度验收线 5mm，选配激光追踪能到 1mm，接口上预留 VIVE 定位。夹爪行程不低于 85mm，平动覆盖 0 到 100mm，夹持力切向 2kg、法向 2.5kg，角度检测 ±0.1°、距离 ±0.2mm、采样不低于 100Hz，和 RGB、位姿同步。视触觉方案要求触觉、视觉、位姿三者同步偏差小于 1ms。整机不超过 500g，IP54，工作温度零下 5 到 40 摄氏度，续航 3 小时以上，换电不断电。

对腕部相机的定位还要再抬一级。做普通 Ego 视频数据，头戴单机够用；做灵巧操作数据，头戴加腕部应该是标准组合，不是选配。头戴相机看到任务、手和环境，腕部相机看到手指、抓握和接触区域，立体或 ToF 给度量深度，IMU 加 SLAM 给头和腕的运动，几路信息合起来才能把人的动作还原成手、物体和任务状态。前面遮挡一节的三组覆盖率数字就是这条结论的依据。

头戴整机的形态指标影响的是产能。重量 250g 以内是优选，四目大视场方案放宽到 350g，计算舱后置不超过 180g 做前后配重，非背包式，外壳温度低于 40 摄氏度，兼容安全帽、护目镜和近视眼镜。这一条看着是舒适性，实际决定操作员一个班次愿意戴多久。

稳定性有明确的量化口径。双路 60fps 连续录满 1 小时，佩戴走动、光照切换，无中断无损坏，末 10 分钟帧率和前 10 分钟差异小于 2%，不允许热降频掉帧。系统级要求满规格连续采集 48 小时无死机、无数据丢失，25 摄氏度环境下 45 分钟全规格编码不降频。断电保护要单独验证，分块写入、停录时缓冲区完整落盘，意外断电后 session 能恢复。

存储和导出是产能核心变量。机内存储要装下 8 小时以上采集数据，256GB 存储卡或者 1TB NVMe 约够 14 小时，持续写入不掉速。导出按 USB 3.2 Gen2 实测，70GB 大约 2 分钟。Wi-Fi 6 后台断点续传实测能到 1Gbps 左右，70GB 十分钟传完，但采集时默认关掉无线模块，射频对 IMU 有干扰。

第六部分

数据格式与交付

编码只做一代压缩。MP4 容器加 H.265 或 AV1，设备端实时编码就是最终源编码，不二次转码。标准 8-bit，不接受 HDR 和 10bit。客户指定 H.264 的，要求可配 GOP 等于 30、禁用 B 帧。

数据包格式主流是 MCAP 加 protobuf，客户定制格式见过三类，1080p@30 原始帧加校正帧、JPEG 质量 85 以上加 HDF5、LeRobot v3.0 的 parquet。定 LeRobot 规格的要注意细节，单分片不超过 50 小时、fp32、21 关节四元数手部数据、显式声明单一主图像流，字段命名跟 Diffusion Policy 和 LeRobot 规范对齐。

比容器选择更重要的一个原则，是源数据和派生数据分层。原始传感器流是一层，RGB、灰度、IMU、音频、深度；标定和时间同步是一层，内参、外参、畸变系数、相机对 IMU 变换、时钟映射、温度；算法输出是一层，头部位姿、手部 21 点、MANO、身体姿态、分割、物体位姿。三层分开存，以后换算法不用重新采集，Aria 的 VRS 格式就是这个思路，每个传感器流保存时间戳、帧号、曝光、增益等采集参数，标定和配置独立存放。目录结构上，一条 episode 下面按 rgb、imu、pose、depth、audio、timestamps、calibration、task 分子目录，manifest 收口，别只交一个视频文件。

单段时长最短 30 秒，明确不要 15 秒上下的短片段，可变长度手动启停，单条录制支持到 1 小时。目录按批次、场景、任务、episode 四层组织，episode 内视频、深度、IMU、位姿、任务日志、错误记录各归各的子目录，每条数据随附 manifest，机器可读的 CSV 加一份带颜色标记的 Excel。

传输走 Rsync 或 Aspera 这类支持断点续传的加密协议。MD5 和 SHA256 双向校验，单批次超过 10TB 的免费配 LUKS 加密硬盘物理寄送，本地删除源副本之前必须完成校验。权属条款写死，全程本地存储与导出、不经过云端、可完全离线运行，买方拥有原始数据完整所有权和无限制商用使用权。

第七部分

已有设备规格对比

公开资料比较全的几款，规格列成一张表。精度类数字保留了厂商口径，看完前面几节，哪些数字要追问，应该有数了。

灰色小字为 IMU 与重量续航，表格较宽可横屏阅读

RoboCap 是研究取向最完整的一套。六颗全局快门相机分成三组，前方双目基线 86.8mm 贴合手部工作区，眼位双目 106.2mm 用 180 度鱼眼，两颗侧向 161 度补盲区，四目拼接后水平视场能过 270 度。配套的 Grounded API 直接产出轨迹、深度和手部 3D，等于把标签生产的上游也做了。每段录制用自然场景自标定，极线残差中位从 3.8px 修到 0.56px，这套前面提过。短板是 IMU 只有 200Hz，卡在门槛线上。

Pico 4 Ultra 走的是头显加多机位的路线。头显本体每手 26 个 OpenXR 关节点、约 90Hz，加 24 个身体骨骼点，步态识别有效占比 98% 以上。跨设备靠软件对时，偏移 2 到 3ms，全程漂移小于 5ms，做毫米级几何不够，做厘米级 demo 够用。有多机位方案在腕部加 2 颗 ZED，配合 4050 小时的数据集实践，是验证过能跑通量产流程的路线。

Project Aria 两代是学术界第一视角数采的事实标准，Ego-Exo4D 和 HOT3D 这些数据集都拿它采的。Gen 1 的亮点在同步和标定，全部传感器出厂标定后打在同一个时钟域上，时间戳纳秒级，双 IMU 刻意选不同型号让误差去相关。短板是 RGB 卷帘快门、续航只有 1.5 小时、感知全靠云端 MPS 后处理。Gen 2 把三块都补了，CV 相机加到 4 颗全局快门、120dB HDR、前方组成双目，跨设备改 SubGHz 无线对时，感知搬到端侧自研协处理器，续航 6 到 8 小时，另加了 PPG 心率和接触麦克风。有一个细节前面提过，它的 12MP RGB 全分辨率下是 24fps，30fps 要用较低分辨率的 profile，采购参数里不能写成 12MP@30。自研方案做传感器架构对标，Aria Gen 2 加 RoboCap 是目前最值得参照的两个基准。

简智 DAS Ego 已经量产，厂商宣称订单三千多台，六目 RGB-IR 全局快门，水平视场超 270 度，头手同步小于 1 毫秒，数据用 MCAP，6 路图像加 IMU、VIO 位姿、夹爪距离和音频都按 topic 组织。三处要盯。IMU 恰好 200Hz，卡在门槛线上，要确认能否上调。宣称毫米级轨迹重建，口径是 VIO 加 BEV 网络，目前没有第三方验证数据，要按绝对误差的口径重新问。音频单段限 15 秒，对长 episode 是硬约束。另外 6 路都是 30fps，对手部快速动作余量有限。它家的产品矩阵还有双指的 Fingers、五指的 Dex 手套和遥操终端，头手全套都有。

鹿明 FastUMI Ego 的亮点是 235g 的整机、60fps 鱼眼主摄加 500Hz 的 ICM-42688，硬门槛都达标，免建图即插即用，从第一帧开始定位。1mm 和 3mm 的定位精度是纯视觉口径，同样要问真值来源和统计量。它的 SLAM 相机只有 640×480@30，深度主力靠 320×240 的 ToF，近场精细几何要实测再说。配套的 FastUMI Pro 夹爪 600 多克、负载 2kg、四目视觉 180 度模组，采集频率 60Hz，视触觉和压敏阵列选配，和头显组成头加手的完整方案。

创维 XR 是今年新入场的一家，背后是十二年的 VR/XR 整机代工积累，产品思路和前面几家都不一样，走模组堆叠的反面，一体机。E2/E6/E8 三档梯度，E2 双路 1080p RGB、低于 140g，面向对轨迹精度要求宽松的科研验证；E6 是量产主力，高通 XR2 平台，4 颗灰度全局快门加 2 颗 RGB，整机 370g；E8 用 XR2 Gen2，4 灰度加 4 RGB 加 ToF，9 路画面同步，视场拓到 270 度，整机压在 300g。灰度加 RGB 混合布局有个工程逻辑，灰度全局快门数据量只有 RGB 的三分之一，用低算力做 SLAM 特征定位，RGB 管语义画面，两组视场互相重叠提供稳定约束。

创维的差异化在机内 SLAM 直出轨迹，视觉和 IMU 在设备端融合解算，宣称定位毫米级，客户拿到数据不用再做离线解算。配套的精度证据是 26 条轨迹的原子运动评测，纯旋转组位置平均误差 1.3mm，纯平移组 1.5mm，耦合组 2.3mm，全部 26 条按轨迹长度加权是位置 2.1mm、角度 1.06°，没有一条发散。腕部相机整机 100g，内置 IMU 加红外灯环，头显灰度相机识别灯环直接解算腕部 6DoF，头腕无线同步宣称 50 微秒，这个数字如果实测站得住，比蓝牙信标的 1 毫秒验收线好一个量级。灯环模组还能搭载到第三方夹爪和触觉手套上，统一时间基准。

第八部分

需求按用途分四级

前面所有指标不是要一次买齐，按用途分四档，每一档对应明确的数据消费场景。

第一档，可用 Ego 数据。1080p、30fps、宽视场、IMU 大于 200Hz、原始时间戳、可导出标定、本地存储。够做 VLM 和 VLA 的视频预训练、任务理解。

第二档，机器人 Ego。1080p@60、全局快门、双目、100mm 上下基线、500Hz IMU、1ms 内同步、完整标定。够做 VIO、深度、手部追踪和机器人模仿学习。

第三档，灵巧操作 Ego。4 到 6 颗全局快门相机、60fps、100 到 120mm 基线、1 到 4ms 曝光、500 到 1000Hz 双 IMU、设备内同步 100 微秒以内、头腕同步 1ms 以内、腕部相机、21 点手部、接触帧 P90 不超过 10mm。做 manipulation 数据，目标应该定在这一档。

第四档，真值级 Ego。在第三档之上加光学动捕或激光追踪参照、外部时码、逐会话标定、温度模型、离线 BA、MANO 优化、物体位姿、触觉和接触声学。HOT3D 这类基准数据集走的就是这条路，手和物体用动捕系统取真值。这一档是做 benchmark 和高精度手物重建用的，量产采集不需要。

多数团队容易犯的错是按第一档的价钱期待第三档的数据。反过来，预算只够第一档时，也别把灵巧操作的指标硬塞进需求，买回来的设备撑不住验收，双方都难做。

第九部分

验收和产能

数据采回来只是半程，验收规则要写进合同。单条数据先过自动化质检，帧间隔的分布、多路流的重叠度、跨设备漂移、追踪有效时间的占比，都有明确阈值。流重叠度低于 80% 警告，低于 60% 判废；追踪有效占比低于 95% 警告，低于 80% 判废；全程漂移超过 5ms 判废。完整性也有硬规则，任一相机打开失败就拒绝开录，头显掉线等待 15 秒正常收尾，判定分四档，通过、带警告通过、失败、不完整。自动化查得出技术缺陷，查不出演示质量，操作员疲劳、动作犹豫这类问题要人来判断，所以批次验收保留不低于 5% 的人工抽检。

批次层面，平台先做全量自动验收，数据可解析零报错、必含数据流完整、标定文件无 NaN、MD5 一致、TF 树有效，过了再人工抽检。单房间要覆盖至少 10 到 15 条任务、5 种家装风格，任务域分布差异不超过 20%。防刷量也要写进规则，连续 3 条任务只换物体颜色就判违规。数据投毒的几种手法，标签翻转、后门触发、样本重复放大，在批次抽检里都要过一遍。

最后一笔账和设备无关，却决定产能。单个操作员一个班次的有效采集时间是 5 到 5.5 小时，吃饭休息、倒数据、换电池都要扣时间。按 20 个环境各 500 小时算，大约要 95 个操作员日，这笔账应该在买设备之前算。环境多样性的预算、导出速度、换电会不会中断录制、备机数量，每一项都是日产能的变量。

最后

写在最后

评审里最有用的一条经验，放在结尾。厂商给的每个数字，都要追问统计口径。误差按绝对还是相对算，报的是均值还是分位数，真值从哪来。规格表回答不了这些问题，实测报告可以。追问口径不涉及信任，规格表没有撒谎，它只是用了另一种语言。