一、行业痛点：为什么公开具身数据集不够用

"2023年的时候，我们把能找到的所有公开具身数据集都下了一遍，加起来差不多有15000条轨迹，但真正能用在我们VLA模型预训练里的，不到20%。"某头部大模型公司具身智能团队的算法负责人在2026 WAIC的一次闭门分享中这样回忆，"要么是场景太简单（实验室桌面上摆几个方块），要么是标注维度不够（只有2D框没有6D位姿），要么是许可协议写着'仅限非商用学术研究'——我们是商业公司，根本不敢用在产品里。"

这段话精准地描述了当前具身智能数据集领域的尴尬现状。虽然学术界在过去几年发布了不少有影响力的具身数据集（如EPIC-KITCHENS、Something-Something、HOI4D、BEHAVE等），推动了整个领域的学术进步，但对于真正要做商业化VLA模型落地的企业来说，这些公开数据集在以下三个方面存在难以逾越的短板：

第一，样本规模不足，场景多样性严重缺失。主流公开数据集的轨迹条数多在几千到几万的量级，且集中在少数几个场景。以最常用的厨房场景数据集EPIC-KITCHENS为例，其最新版本约有100小时的视频数据，换算成完整操作轨迹大约是几万条，但这些数据全部来自少数几个参与者的家庭厨房，环境背景、操作习惯、厨具种类都高度同质化。用这样的数据训练出来的VLA模型，一旦面对真实商业环境中千差万别的厨房布局和厨具，泛化能力会急剧下降。

第二，标注维度和质量达不到工业级要求。许多公开数据集只提供稀疏的视频级或片段级标签（如"这段视频在做炒鸡蛋"），没有帧级的2D/3D检测框、没有手部关键点、没有物体6D位姿、没有精细的原子动作分割——而这些恰恰是端到端VLA模型训练所必需的监督信号。即使有标注的数据集，标注质量也参差不齐，不同标注批次之间的一致性无法保证。

第三，许可协议模糊，商业使用存在法律风险。这是最让企业法务部门头疼的问题。许多公开数据集的许可协议写得非常笼统，有的写"仅供学术研究使用"，有的写"可以用于非商用目的"，还有的甚至没有明确的许可条款。对于商业公司来说，使用这样的数据集训练产品模型，就像在法律的雷区里裸奔——一旦被追溯，面临的可能是侵权诉讼和产品下架的双重风险。

正是看到了这样的行业缺口，拓比科技在持续承接客户定制采集项目的同时，从2025年Q2开始投入资源构建自有标准化数据集矩阵。截至2026年7月，已正式发布6大行业数据集，累计规模达到43万条完整标注轨迹，另有120万条轨迹在标注和质检流程中，计划于2026年底前陆续发布。

二、六大行业数据集矩阵：从家庭到工业的场景全覆盖

拓比选择这六个行业作为数据集矩阵的首发阵容，经过了深入的市场调研和客户需求分析。这六个行业恰好对应了具身机器人最先有望实现商业化落地的六大应用方向，且每个行业都有足够多的付费客户和明确的商业价值。

TB-Retail-100K：零售理货场景数据集。零售是拓比最早切入、目前积累最深的场景。TB-Retail-100K包含10万条完整的零售理货操作轨迹，共计300万+操作片段，覆盖便利店、大型超市、生鲜超市、药店、母婴店、烟酒专卖店等8种零售业态，230+不同品牌的门店，涉及12000+SKU的常见零售商品。具体动作包括商品上架与整理、价签核对与更换、临期品下架、货架盘点、堆头陈列、促销品展示等16大理货任务。所有数据均由真实门店的在职理货员按照日常工作流程采集，没有任何摆拍成分。数据集特别标注了"标准理货"和"高效理货"两种操作风格的标签，帮助VLA模型学习不仅会做，而且做得又快又好。

TB-Hotel-50K：酒店客房服务场景数据集。酒店客房清洁和服务是人力密集型行业，也是服务机器人的重要潜在落地场景。TB-Hotel-50K包含5万条完整的酒店客房清洁与服务轨迹，覆盖连锁经济型酒店、中端商务酒店、高端度假酒店、民宿公寓等6种酒店类型，共计180+不同门店。操作内容涵盖铺床（中式/西式多种铺法）、卫生间清洁（马桶/洗手台/浴缸/地面）、布草更换与折叠、客房物品补充与摆放、垃圾清理与分类、客用品检查、VIP客人接待准备等12类客房任务。数据集中特别包含了"不同清洁质量等级"的标注，可以帮助机器人学习什么是"合格清洁"、什么是"优秀清洁"。

TB-Logi-80K：物流仓储分拣场景数据集。物流仓储的分拣、拣货、打包是目前工业和物流机器人厂商竞争最激烈的赛道之一。TB-Logi-80K包含8万条物流仓储操作轨迹，覆盖电商中小件仓、大件商品仓、图书文创仓、医药冷藏仓、服装鞋包仓等7种仓储类型，40+不同客户的真实仓库。操作内容包括按单拣货（人到货/货到人两种模式）、商品打包与贴面单、分拣到格口、上架到储位、退货商品处理、盘点核对等10类仓储任务。数据集特别标注了不同重量、不同形状、不同包装材质商品的操作技巧差异，对机器人抓取策略的学习非常有价值。

TB-Med-20K：医疗基础操作场景数据集。医疗行业对操作规范性的要求极高，因此数据采集和标注的门槛也最高。TB-Med-20K包含2万条医疗基础操作轨迹，均在有资质的医院和护理院校的协作下完成采集，由持证护士和医生执行操作。内容涵盖基础护理操作（静脉穿刺准备、伤口换药、口腔护理、鼻饲、导尿护理等）、基础外科手术操作（缝合练习、切开缝合模型、腹腔镜模拟操作等）、康复辅助操作（体位转移、康复训练辅助、助行器使用等）三大类。考虑到医疗数据的隐私敏感性，所有数据均进行了严格的脱敏处理（面部模糊化、患者身份信息完全移除、场景标识去识别化），并通过了伦理审查。

TB-Ind-30K：工业装配操作场景数据集。工业装配是制造业自动化升级的核心方向。TB-Ind-30K包含3万条工业装配操作轨迹，覆盖汽车零部件装配（线束插接、卡扣安装、螺栓紧固等）、3C电子产品装配（手机/笔记本电脑内部零件组装、连接器插拔、散热硅脂涂抹等）、小家电装配、机械零部件拆装等4大工业领域，与5家整车厂和3C代工厂合作完成。操作环境包含真实流水线工位、半自动化工位、手工工作台等多种工业现场，每个数据集样本都附带了工艺规范（SOP）对齐的动作步骤标注，确保机器人学到的动作完全符合工业生产的标准工艺流程。

TB-Home-150K：家庭日常操作场景数据集。家庭是通用具身机器人的终极目标场景，也是场景多样性最高、操作差异最大的挑战场景。TB-Home-150K包含15万条家庭日常操作轨迹，覆盖全国27个城市、420+个真实家庭的客厅、厨房、卧室、卫生间、阳台等家居空间。操作内容涵盖做饭炒菜（切配、翻炒、装盘、调味的完整流程）、日常清洁（扫地拖地、擦桌子、洗碗、衣物折叠收纳）、物品整理（衣橱整理、书架归类、杂物收纳）、家电使用（咖啡机/洗衣机/微波炉/扫地机器人等操作）四大类，共计80+种具体家庭任务。数据集特别标注了不同地域、不同年龄、不同生活习惯人群的操作风格差异，为通用VLA模型学习多样化的人类操作模式提供了宝贵数据。

三、数据标准规范：每个数据集都有一份完整的数据表（Datasheet）

在AI数据集领域，有一个被广泛引用的概念叫做"Datasheet for Datasets"（数据集数据表），由MIT和微软研究院的学者在2021年正式提出。它的核心理念是：正如电子元器件都有一份详细的规格书（datasheet）告诉使用者它的电气参数、工作条件、性能极限一样，AI数据集也应该有一份完整透明的数据表，告诉使用者它是怎么来的、包含什么内容、有什么局限性、在什么范围内可以安全使用。

拓比科技是国内最早全面践行Datasheet理念的具身数据集提供商。每一个正式发布的拓比数据集，都会附带一份详细、规范、中英文双语的完整数据表，涵盖以下七个方面的内容：

• 一、动机与构建背景（Motivation）：这个数据集是为了解决什么问题而构建的，采集和标注的资金来源，构建过程中受到了哪些需求驱动，目标使用场景是什么；
• 二、采集过程与条件（Collection Process）：采集设备型号与参数配置，采集人员招募条件与人口统计学分布（年龄、性别、地域分布等），采集现场的环境条件（光照范围、温度范围、空间尺寸范围等），每条轨迹的平均时长与总时长统计；
• 三、标注规范与流程（Annotation Specification）：每一种标注类型（2D检测、3D检测、关键点、6D位姿、动作语义等）的详细标注规范文档、标注工具说明、标注员培训与资质要求、三级质检流程与抽样比例；
• 四、数据分布与统计（Distribution Statistics）：数据集的轨迹条数与总时长，各场景子类别与动作子类别数量分布，被操作物体的类别分布与出现频次统计，轨迹时长分布直方图；
• 五、许可协议与使用范围（License & Usage）：明确的商业授权、科研授权、定制授权三种授权模式的具体条款，允许的使用场景，明确禁止的使用场景（如禁止用于生物识别、禁止用于监控等敏感用途），再分发与衍生数据集的规定；
• 六、已知局限性（Known Limitations）：诚实地披露数据集存在的已知局限——例如某些地区/某些年龄段人群的样本占比偏低、某些极端光照条件下的数据量不足、某些被操作物体类别由于获取困难样本量偏少等；
• 七、维护与更新计划（Maintenance Plan）：数据集后续的版本更新计划（如TB-Retail-100K计划在2026年底升级到TB-Retail-200K），错误反馈渠道，客户可以通过什么方式提交问题、获得修正。

我们相信，透明是信任的基础。客户在采购数据集时，不仅是在购买一堆数据文件，更是在购买对这份数据的知情权和信心。一份详尽的Datasheet，能帮助客户的算法团队和法务团队快速评估数据集的适配性和合规风险，大大缩短采购决策周期。

四、质量保证：三级人工质检 + 算法一致性检测，错误率

数据集的质量，直接决定了用它训练出来的VLA模型的能力上限。如果数据集中混入了大量标注错误或者质量低劣的样本，模型就会"学坏"——学到错误的动作模式、错误的物体位置、错误的操作逻辑。纠正这些坏学习往往比从零开始训练还要困难。

拓比对数据集质量的重视，可以用"苛刻"两个字来形容。每个数据集在正式发布前，都要经历两层、四道关卡的严格质量检验：

第一层：三级人工质检体系。这是数据集交付流水线的最后三道人工防线。第一级是标注员自检——每个标注员完成分配的标注任务后，必须按照checklist逐一核对自己的工作，至少自查出3个以上问题才允许提交（如果没有查到问题，需要说明"已经逐条核对确认无误"）。第二级是交叉互检——同一批次的数据会分配给另一位标注员进行交叉检查，重点检查一致性问题（同样的动作是否被标成了不同标签，同一个物体在不同帧的类别是否一致等）。第三级是专家终检抽审——由具有3年以上CV/机器人领域经验的质检专家按比例进行最终抽检（基础数据集抽检比例15%，医疗/工业等高价值场景抽检比例提升到30-50%），抽检通过率低于99%的批次会被打回整批返工。

第二层：算法一致性检测。人工检查能够发现"看得见"的错误，但有些系统性的一致性问题需要靠算法才能发现。拓比在人工质检后还会运行一整套自动化的算法一致性检测工具，包括：

• 时空连续性检测：检查物体的位置、关键点的坐标、6D位姿的数值在连续帧之间是否有不符合物理规律的突变跳变；
• 跨视角一致性检测：检查同一个物体在6路不同视角的检测框和ID是否匹配，利用多视角几何约束验证3D位置是否一致；
• 标签语义一致性检测：基于预训练模型，验证动作标签与视觉内容是否匹配（例如标着"抓取"的动作片段，手的位置是否确实朝物体移动并闭合）；
• 重复与近似重复检测：识别数据集中高度相似的重复轨迹，避免让模型在过拟合的数据上做无用功。

经过这四道关卡的层层筛选，拓比正式发布的数据集，综合标注错误率严格控制在0.5%以下（即每200条标注中不超过1条存在需要修正的错误）。2026年上半年，所有采购拓比标准化数据集的客户在验收时，自行抽检发现的平均错误率为0.38%——这一指标在行业内处于领先水平。

五、三种灵活授权模式：商业买断、科研免费、定制采集

不同类型的客户对数据集的需求和预算能力差异很大。一家头部大模型公司可能需要上百万条轨迹来做预训练，并且希望有完全独占的商业使用权；一家初创机器人公司可能只需要某个细分场景的几万条数据来做模型微调；一所大学的实验室可能只需要几千条样本来做学术实验，没有商业预算。为了满足不同客户群体的需求，拓比设计了三种灵活的授权模式：

模式一：商业授权（一次买断）。适用于商业公司将数据集用于产品模型训练、内部研发等商业用途。客户支付一次性买断费用后，获得授权版本数据集的永久、无限制商业使用权，包括用于训练模型、将训练后的模型集成到产品中销售、在服务中使用模型等。客户不需要因为模型产生的商业收入向拓比分账，也不需要披露其使用该数据集的情况。授权价格根据数据集的规模和场景而定，单数据集的商业授权费用从几十万到几百万元人民币不等。如果客户同时采购多个数据集或采购整个数据集矩阵，还会有显著的打包折扣。

模式二：科研授权（免费论文引用）。拓比科技坚定地支持学术研究和人才培养。对于高校、科研院所、非营利性研究机构的科研用户，可以通过免费科研授权计划获取数据集的学术研究使用权。申请流程简单透明：用户在拓比官网提交科研使用申请，说明研究方向、使用计划、预计发表成果的时间，通过审核后即可免费获得对应数据集的访问权限。唯一的要求是，在使用该数据集发表的学术论文、技术报告、开源项目中，需要明确引用拓比数据集的名称和来源说明。此外，对于在顶会（CVPR/ICCV/ECCV/NeurIPS/ICML等）上发表的使用拓比数据集的高水平论文，拓比还设立了专门的学术奖励基金，给予作者现金奖励和后续数据集的优先访问权。

模式三：定制采集授权。当标准化数据集不能完全满足客户的特殊需求时（例如客户需要某个非常细分的垂直场景、需要特定品牌的特定商品、需要在客户自有场地中采集专属数据等），客户可以选择定制采集服务。拓比会根据客户的具体需求（场景、任务、数据规模、标注维度、交付周期等）出具详细的项目方案和报价，在客户确认后启动专属采集项目。定制采集项目产出的数据，知识产权归属和授权模式可以由双方灵活约定——客户既可以选择完全独占（数据不进入拓比的标准化数据集，不向其他客户开放），也可以选择数据共享以换取较低的采集费用。

六、客户案例：头部企业在用拓比数据集做什么

截至2026年7月，已有近60家企业客户和40多所高校科研院所采购或申请使用了拓比的标准化数据集。我们选取几个有代表性的客户案例，看看他们是如何使用拓比数据集的：

案例一：某头部通用大模型公司。该公司在启动具身智能VLA项目之初，面临的第一个问题就是预训练数据不足——公司内部虽然有海量的文本和图文数据，但真实世界的具身操作数据几乎是空白。2025年Q3，该公司一次性采购了拓比全部6个行业数据集的商业授权（当时合计约28万条轨迹），作为VLA基础模型预训练的真实世界数据基座。项目负责人反馈："拓比的标准化数据集为我们节省了至少半年的自行采集时间，让我们可以把精力集中在模型架构设计和训练策略上。用这批数据做预训练初始化，相比纯仿真数据预训练的基线，模型在真实机器人上的零样本任务成功率提升了27个百分点。"2026年Q2，该客户再次下单，采购了拓比新发布的15万条家庭场景增量数据。

案例二：某具身人形机器人独角兽企业。这家专注于人形机器人通用操作能力的创业公司，在早期阶段尝试过自行组建采集团队来收集家庭操作数据，但做了三个月后发现效率太低、成本太高。2025年底，他们选择采购拓比的TB-Home-150K家庭场景数据集的商业授权，并叠加了2000条定制化采集（在他们自己的机器人实验房中，按照他们计划首先落地的家务任务清单做针对性采集）。使用拓比数据集训练后，该公司的人形机器人在家庭场景中的任务成功率从最初的18%提升到了62%（同测试集对比）。公司CEO在2026年的一次公开发布会上表示："对于创业公司来说，时间是最宝贵的资源。用拓比的数据集，我们相当于站在430万条真实世界操作的肩膀上起步，少走了至少一两年的弯路。"

案例三：某合资汽车厂商的前瞻技术研究院。随着智能座舱和车载机器人成为下一代智能汽车的竞争焦点，这家汽车厂商希望在其2027年上市的旗舰车型中引入车载具身机器人，能够帮助驾乘人员完成取放物品、调整座椅、操作中控等简单操作。2026年Q1，他们向拓比定制了车载场景数据集，在12款不同品牌的量产车座舱中采集了2万条车载操作轨迹，并结合采购的TB-Home-150K中的相关子集做模型训练。目前项目进展顺利，原型机器人已经可以在模拟座舱中完成80%的目标操作任务。