P1 调研：具身智能数据软件管道全景（采集 → 标注 → 清洗/策展 → 评测 → 格式/处理）
日期：2026-08-28（预写） · 作者：Platform 调研 agent 方法：WebSearch + 网页抓取逐项查证（非记忆复述），关键论断均附来源链接；检索日期 2026-08-27。 范围：开源 + 商用方案，五段各 5–10 个；重点核验 ARES(a16z)、Encord、Scale AI、Labellerr、Avala、Labelbox、SuperAnnotate、LanceDB、Roboflow、CVAT、Label Studio 及 2025–2026 新平台。 结论先行：具身数据管道尚无"一家通吃"平台；开源栈（LeRobot v3 + Label Studio/CVAT + Rerun + lerobot-lancedb + 自有评测协议）可覆盖 90% 需求，商用采购仅在 LiDAR/点云级标注与全球采集网络两处有不可替代性。
0. 全景速览表
| 段 | 方案 | 形态 | 许可/定价 | LeRobot 兼容 |
|---|---|---|---|---|
| 采集 | LeRobot 原生 record/teleoperate | 开源自部署 | Apache 2.0，免费 | 原生 |
| 采集 | phosphobot（phospho） | 开源 + SaaS 看板 | 开源仓库；Quest app 免费 | 原生（输出 LeRobot v2） |
| 采集 | GELLO | 开源（软硬皆 MIT） | 免费，硬件约 $300/臂 | 需适配层 |
| 采集 | Scale AI Physical AI Data Engine | 商用服务+平台 | 定制报价（白手套） | 无公开承诺 |
| 采集 | Encord Physical AI | SaaS/VPC/本地 | 定制报价 | 经 MCAP/RLDS 间接 |
| 采集 | Labelbox Terra / LBRx | 商用全栈（含硬件） | Volume 报价 | 无公开承诺 |
| 采集 | Avala | 服务+平台 | $20–40/hr（标注档） | RLDS/HDF5/OXE 输出 |
| 采集 | Labellerr | SaaS（可自托管） | 免费/Pro $499 月 | 声称支持机器人数据 |
| 标注 | Encord | SaaS/VPC/本地 | 免费/团队/企业（报价） | 间接 |
| 标注 | Scale AI | 商用 | 报价 | 间接 |
| 标注 | Labelbox | SaaS | ~$1.5k/月起→$50k+/年 | 间接 |
| 标注 | SuperAnnotate | SaaS | Starter(1k items 免费)/报价 | 间接 |
| 标注 | Labellerr | SaaS/自托管 | 免费/$499 月/定制 | 声称支持 |
| 标注 | CVAT | 开源自部署 + 云 | MIT；云 Solo/Team ~$33/user 月，企业 $12k/年起 | 需自行转换 |
| 标注 | Label Studio | 开源自部署 + 云 | Apache 2.0；HumanSignal $99/月+$49/user | 需自行转换 |
| 标注 | Roboflow | SaaS | 免费 + Core $79–99/月 | 无原生 LeRobot 导出 |
| 清洗/策展 | ARES（a16z） | 开源自部署 | Apache 2.0 | 原生吃 OXE/RLDS，非 LeRobot |
| 清洗/策展 | Encord Active | 开源工具包 | 开源（2023 发布） | 间接 |
| 清洗/策展 | FiftyOne（Voxel51） | 开源 + 企业版 | OSS Apache 2.0；企业报价 | 间接 |
| 清洗/策展 | Lightly | 开源 SSL 库 + 商用平台 | LightlySSL MIT | 间接（视觉帧级） |
| 清洗/策展 | Rerun | 开源 SDK + 商业 | MIT/Apache 双许可 | 有社区集成路径 |
| 清洗/策展 | Foxglove | 商用（2024 起闭源） | 免费 3 席/10GB；Pro $20/月起 | MCAP 桥接 |
| 清洗/策展 | Cleanlab | 开源库 + SaaS | 库 MIT；TLM 按量 | 弱（非具身专用） |
| 评测 | LeRobot 内建 eval | 开源 | Apache 2.0 | 原生（含 LIBERO 集成） |
| 评测 | LIBERO（+PRO） | 开源基准 | MIT（仓内另有许可疑虑留痕） | 官方转换脚本生态 |
| 评测 | SimplerEnv | 开源 | 开源（CoRL 2024） | 代理评测 |
| 评测 | RoboArena | 社区真机基准 | 开源论文/社区运行 | DROID 平台 |
| 评测 | AgiBot World（挑战赛） | 开源数据+评测工具 | 开源；评测用 Genie Sim 3.0 | 默认 LeRobot 格式 |
| 评测 | NVIDIA Isaac Lab/GR00T | 开源框架+模型 | Lab BSD-3；GR00T 权重许可分版本 | GR00T 数据管线兼容 LeRobot |
| 格式 | LeRobot Dataset v3.0 | 开放格式+工具 | Apache 2.0 | 本体 |
| 格式 | lerobot-lancedb（Lance） | 开源伴生包 | 开源 | 原生（v3↔Lance） |
| 格式 | RLDS / Open X-Embodiment | 开放格式 | TFDS/OXE 开放 | 转换工具齐全 |
| 格式 | MCAP | 开放容器格式 | 开源 | 经 Encord/ROS 桥接 |
| 格式 | EmbodiFlow（IO-AI） | 商用 SaaS + 免费工具 | 平台收费；LeRobot Studio 免费 | 原生（v2↔v3 转换） |
1. 采集段（真机/人类演示数据获取）
1.1 LeRobot 官方工具链（record / teleoperate）
- 核心能力：
lerobot-record一键录制多相机+状态+动作 episode 并直传 HF Hub；teleoperate 支持主从臂、键盘、VR 等多种 Leader 设备；配套 dataset 卡与在线可视化（Hubvisualize_dataset）。 - 许可：Apache 2.0（HF 开源仓库）。定价：免费。部署：自部署/本地。
- 具身针对性：为具身模仿学习而生（ACT/Diffusion Policy/VLA 全家桶）。LeRobot 兼容：即本体。
- 案例：HF 官方博客宣布 v3.0 格式与 DROID 1.0.1 大规模迁移（博客、迁移教程）。
1.2 phosphobot / phospho starter pack
- 核心能力：机器人控制+录制+VLA 训练一体化软件；Meta Quest VR 遥操作 app，录制自动存 LeRobot v2 格式并上传 HF 账号；含双臂 teleop、数据集合并/拆分修复工具。
- 许可：开源仓库（GitHub）；SaaS 看板另计。定价：开源免费。部署：本地 + 云看板。
- 具身针对性：专为低成本机械臂（SO-10x 等）数据采集设计。LeRobot 兼容：原生输出。
- 案例：官方文档 Quest 遥操作教程（docs）、Seeed Studio 集成指南（wiki）。
1.3 GELLO（通用低成本遥操作）
- 核心能力：3D 打印主臂（Dynamixel 舵机，约 $300/臂）+ 软件框架；论文验证双 UR5 双臂遥操作采集效率优于键盘/3D 鼠标（arXiv:2309.13037）。
- 许可：软件与机械 CAD 均 MIT（gello_software、gello_mechanical）。定价：免费（硬件 BOM 自购）。部署：本地。
- 具身针对性：为"低成本、大批量人类演示采集"设计；支持 UR5/xArm/Panda/Kinova。LeRobot 兼容：需自写适配器映射到 LeRobot action space。
- 案例：项目页与论文（site）。
1.4 Scale AI — Physical AI Data Engine
- 核心能力："数据铸造厂"：全球机器人数据工厂 + 分布式采集者 + 客户自有硬件托管运营；号称每天采集上传 1000+ 小时演示数据；双臂遥操作平台、Scale Harness（无机器人自体感知采集装备）；数据经内部 policy 微调+评测验证后才上架；多模态 grounding 标注随数据交付。
- 许可：闭源。定价：定制报价，白手套服务（dedicated 工程+运营团队）。部署：SaaS + 全球采集设施（SOC 2 Type II、ISO 27001）。
- 具身针对性：目前业内最大规模的具身真机采集网络。LeRobot 兼容：无公开承诺（交付格式按客户规格）。
- 案例：官网明示合作伙伴含 Generalist 与 Physical Intelligence；与 Universal Robots 合作把 Data Engine 嵌入 UR AI Trainer（scale.com/physical-ai、UR 合作公告）。
1.5 Encord — Physical AI 数据方案
- 核心能力：采集+QC+标注+部署反馈一站式：现场操作员（in-field operators）采集与质检；标注含视频帧级、LiDAR 点云（多传感器融合、合并点云视图）；部署侧远程遥操作失败回收形成反馈闭环；原生导入 MCAP/ROSBAG；支持 VPC/本地部署；SOC2/HIPAA/GDPR。
- 许可：闭源。定价：定制报价（免费/团队/企业三档，价格不公开）。部署：SaaS 优先 + VPC/on-prem。
- 具身针对性：官网即"物理 AI 多模态数据层"定位。LeRobot 兼容：无原生，经 RLDS/MCAP 转换间接。
- 案例：公开客户 300+ 团队，含 Woven by Toyota、Zipline、Skydio、Forterra、Agility Robotics、Pickle Robot、Archetype、Yutori（physical-ai 页）。
1.6 Labelbox Terra（+ Labelbox Robotics / LBRx）
- 核心能力：全栈机器人数据引擎：自动分类、验证并引导式调度（steer）采集以持续提升数据多样性；专用采集硬件（purpose-built hardware）；视频、轨迹、多模态标注一体；2025-11 成立 Applied Research 部门（LBRx 机器人部门）交付高质量多样数据。
- 许可：闭源。定价：机器人数据产品按 volume 报价；平台订阅口径约 $1,500/月起、企业 $50k+/年。部署：SaaS。
- 具身针对性：直接对标机器人基础模型数据。LeRobot 兼容：无公开承诺。
- 案例：Terra 产品页、定价综述、TrueLabel 分析。
1.7 Avala — Physical AI Infrastructure-as-a-Service
- 核心能力：人类活动数据采集网络（15,000+ 训练操作员、10 台 ALOHA 双臂机组、2000+ 小时 egocentric 采集、50Hz 多传感器）；自研自动标注管线（SAM3 混合、3D 人体 70 关键点、MANO 手部、深度图）覆盖 80–90% 工作量，人力复核其余；输出 RLDS / HDF5 / Open X-Embodiment 兼容格式。
- 许可：闭源服务。定价：标注档 $20–40/小时（采集另议），规模化毛利 60–80%。部署：服务+SaaS（GDPR、SOC2）。
- 具身针对性：为 humanoid/操作臂的人类演示+4D 标注专门设计。LeRobot 兼容：经 RLDS/OXE 转换（lerobot 有 RLDS→LeRobot 转换生态）。
- 案例：官网列示 Figure、Galbot、Unitree、Agility、1X 为目标客群，NVIDIA GR00T/DeepMind/PI 为基础模型层客户（robotics 用例页）。
1.8 Labellerr
- 核心能力：SaaS 标注平台 + 采集服务：LiDAR/相机/传感器数据处理，支持自动驾驶、仓储机器人、humanoid 训练数据；SAM2 视频标注、智能反馈环；提供自托管选项。
- 许可：闭源（SaaS）。定价：Researcher 免费 / Pro $499 月（另有 $9,999/年 口径）/ Enterprise 定制。部署：SaaS + 自托管。
- 具身针对性：有专门 robotics/egocentric 数据产品线。LeRobot 兼容：无原生格式承诺。
- 案例：LinkedIn 称 40+ 机构使用，含 Stanford、UC Davis、Volvo、Toyota AI、Coupang（robotics-data 页、LinkedIn、F6S 定价）。
1.9 其他新兴采集玩家（2025–2026）
- Nferent AI：定制化具身数据采集服务（nferent.ai）。
- Humyn：物理 AI 训练数据+仿真数据指南与交付（humynlabs.ai）。
- Noitom Robotics：动捕系具身数据采集（noitomrobotics.com）。
- Orbbec：推出"无机器人"采集硬件平台（EGO/UMI/WristCam），与 Labelbox Terra 同赛道（见 Labelbox 检索上下文）。
- DROID 平台：社区标准化的真机采集平台（RLDS 生态），RoboArena 即构建其上（robo-arena.github.io）。
2. 标注段
2.1 Encord（标注部分）
- 核心能力：视频原生（帧级时间轴、同步多流）、LiDAR/3D 点云（cuboid、多边形、合并视图）、多模态分类与本体管理；NVIDIA Cosmos Reason/Embed 模型平台内可用；MLOps 侧接自动标注与 QA 工作流。
- 许可/定价：闭源；免费/团队/企业三档，全部付费档需定制报价（Label Studio 评测中的定价观察）。
- 部署：SaaS / VPC / 本地。具身针对性：目前商用标注平台中物理 AI 叙事最完整者。LeRobot 兼容：间接（RLDS/MCAP 导入导出需转换层）。
- 案例：Woven by Toyota、Skydio、Agility Robotics 等（来源）。
2.2 Scale AI（标注部分）
- 核心能力：机器人演示数据的多模态 grounding 标注 + 人工专家反馈（RLHF-for-robotics）；标注随采集交付，内部评测验证"标注带来可测性能提升"。
- 许可/定价：闭源、定制报价。部署：SaaS。具身针对性：与采集网络一体化。LeRobot 兼容：无公开承诺。
- 案例：Generalist、Physical Intelligence、UR（来源）。
2.3 Labelbox
- 核心能力：多模态（视频/轨迹/文本）标注 + Terra 机器人数据引擎；video 与 trajectory 标注类型面向机器人基础模型。
- 许可/定价：闭源 SaaS；平台约 $1,500/月起至企业 $50k+/年，机器人数据 volume 报价（综述、TrueLabel）。
- 具身针对性：2025 年起以 Terra/LBRx 重注机器人。LeRobot 兼容：无公开承诺。
2.4 SuperAnnotate
- 核心能力：多模态标注平台（图像/视频/文本/音频/LiDAR/点云），企业级 workforce 管理；面向 frontier labs 与 robotics 的数据基础设施定位。
- 许可/定价：闭源 SaaS；Starter（1,000 items 免费）/Pro/Enterprise，价格需询价（评测、官网）。
- 具身针对性：LiDAR/3D 能力齐备但非具身专用。LeRobot 兼容：无。
2.5 Labellerr
- 见 1.8；标注侧含 SAM2 视频分割、遮挡关键帧锚定等机器人向能力（博客案例）。
2.6 CVAT（Computer Vision Annotation Tool）
- 核心能力：图像/视频/3D 点云标注（bbox、多边形、mask、关键点）；SAM 半自动/自动标注；19+ 导出格式（COCO/YOLO 等）；Python SDK；任务分配与 review 链路。
- 许可：CVAT Community MIT（GitHub）。定价：自部署免费；CVAT Online：Free（1–2 人）→ Solo/Team 约 $33/user/月（年付约 $23）→ Enterprise $12,000/年起（定价页）。
- 部署：开源自部署 + 官方云。具身针对性：出自 Intel 机器人团队，3D/点云原生，但不理解 episode/动作序列。LeRobot 兼容：需自行把视频帧标注对齐回 LeRobot 时间轴。
2.7 Label Studio（HumanSignal）
- 核心能力：多模态标注（图像/视频/时间序列/音频/文本/Rich text），可配置标注模板（XML），ML backend 钩子接自动标注模型；27.6k GitHub stars。
- 许可：Community Apache 2.0（GitHub）。定价：HumanSignal 云 $99/月起 + $49/额外席位/月；自部署免费（定价）。
- 部署：开源自部署（SaaS/本地）+ 官方云。具身针对性：通用型，时间序列标注可用于传感器流。LeRobot 兼容：无原生；以 parquet 任务导入 + 结果回写最可行。
2.8 Roboflow
- 核心能力：CV 全流程（标注/增强/训练/部署），40+ 数据集导出格式，RF-DETR 等开源模型（Apache 2.0）与 Inference 服务器。
- 许可：平台闭源 SaaS；开源组件 Apache 2.0（open-source 页）。定价：免费档 + Core $79/月（年付，月付 $99）（定价、第三方核实）。
- 具身针对性：a16z 在 ARES 文中评价其"偏通用计算机视觉、较少 robotics 专注"（原文）。LeRobot 兼容：无原生 LeRobot 导出（格式清单不含，formats）。
2.9 Avala（自动标注）
- 见 1.7：自动标注承担 80–90%，人工复核交付 4D 真值；输出 RLDS/HDF5/OXE。
2.10 ARES（自动标注引擎）
- 见 3.1：VLM 结构化抽取 + GroundingDINO/SAM 伪标签，2500 条 ECoT 级标注 10 分钟/$5。
3. 清洗 / 策展段（数据理解、质量、选择）
3.1 ARES（Automatic Robot Evaluation System，a16z）
- 核心能力：开源机器人数据平台，三段式：
- Ingestion：VLM 把原始 episode 转成结构化字段（任务、成功率、表面、光照、干扰物等 Pydantic schema → SQLite），Nomic 嵌入文本/轨迹 → FAISS 索引；
- Annotation：Modal 云上跑 GroundingDINO + SAM（5FPS）产出检测/分割存 MongoDB；VLM 伪标签（成功判定 gpt-4o @1FPS 最优）；
- Curation/Analysis：Streamlit 前端做结构化过滤 + UMAP 聚类探索 + 文本/轨迹近邻检索（找相似 episode、发现 OOD 动作）→ 导出 CSV/Parquet 训练切片。
- 成本实测：gpt-4o 约 $0.01/episode；5000 episode 检测+分割 <$10（Modal 免费额度内）。
- 许可：Apache 2.0（GitHub）。定价：免费（自付 API/算力）。部署：本地 Docker/devcontainer（MongoDB+SQLite+FAISS）。
- 具身针对性：目前唯一的开源"机器人数据策展平台"；作者 Jacob Phillips，a16z American Dynamism Engineering Fellows 计划产物，2025-04 发布；单人研究型项目，长期维护需自行评估。
- LeRobot 兼容：原生只吃 Open X-Embodiment（TFDS/RLDS），不支持 LeRobot 格式——这是关键缺口。已在 HF Hub 发布 5000 条已摄取 OXE rollouts（a16z 发布文）。
- 评测基准：基于 PI π0 公开演示构建 20 视频/11 任务成败判别基准（见 4 段）。
3.2 Encord Active
- 核心能力：开源 CV 数据质量/策展工具包：质量指标库、嵌入可视化、模型错误分析、active learning 优先级排序。
- 许可：开源（2023-01 官宣 fully open source，BusinessWire、GitHub）。部署：本地 Python。
- 具身针对性：帧级视觉质量，不感知动作/状态序列。LeRobot 兼容：无原生。
3.3 FiftyOne（Voxel51）
- 核心能力：CV/多模态数据集可视化、策展、模型评估；嵌入聚类、重复/错误检测、数据集版本管理；企业版多用户协作。
- 许可：OSS Apache 2.0（GitHub）；企业版 Team/Growth/Custom 报价制（对比）。定价：OSS 免费；280 万+ 安装。
- 具身针对性：通用 CV 起家，现也主打 physical AI 叙事；视频支持强。LeRobot 兼容：无原生（视频帧+元表可导入）。
3.4 Lightly
- 核心能力：自监督表征做数据选择（coreset selection）：从大量冗余视觉数据挑最有价值帧/片段；开源 LightlySSL（MIT）+ 商用策展平台（云管线、主动学习闭环）。
- 许可：LightlySSL MIT（GitHub）。定价：库免费；平台报价制。
- 具身针对性：帧级多样性选择可用于 episode 内冗余压缩；不做动作空间分析。LeRobot 兼容：无原生。
3.5 Rerun
- 核心能力："物理 AI 数据层"：开源 SDK（Python/Rust/C++）log 多模态数据（图像/点云/张量/时间序列）→ 本地 .rrd 存储 → 查询、可视化、训练一体（"visualize, query, and stream to train"）。
- 许可：MIT OR Apache-2.0 双许可（GitHub）。定价：开源免费；公司 2025-03 获 $17M 种子轮（Point72 Point Seven 领投，累计 $20.2M），Meta/Google 在用（官方博客、SiliconANGLE）。
- 具身针对性：机器人/AV/无人机原生场景。LeRobot 兼容：社区已有 LeRobot episode → Rerun 查看路径（Rerun 定位即数据层）。
3.6 Foxglove
- 核心能力：机器人数据平台：可视化、回放、远程观测、数据管理；MCAP 格式母公司；机器人全生命周期调试。
- 许可：2024-03 起 Studio 不再开源（社区争议，Open Robotics 论坛讨论）。
- 定价：免费档（3 用户/10 设备/10GB 云存储）；Pro $20/月起 + 用量；开发者席位 $42/user/月（定价）。
- 具身针对性：ROS 生态强绑定。LeRobot 兼容：无原生；经 MCAP/ROS 桥接。
3.7 Cleanlab
- 核心能力：confident learning 自动检出标签错误/异常样本（开源库），商业 TLM 提供可信度评分。
- 许可：库 MIT（GitHub）。定价：库免费；TLM 免费档+按量。
- 具身针对性：表格/文本/图像通用，具身需自行定义"标签"（如任务成败）后可用。LeRobot 兼容：无。
3.8 lerobot-lancedb 的策展辅助
4. 评测段
4.1 LeRobot 内建评测
- 核心能力：
evaluate流程支持仿真与真机 policy 评测；官方文档含 LIBERO 数据集以 LeRobot 格式使用的集成（HF docs）；lerobot-record可带 checkpoint 做真机推理评测（xvla-agibot-world 模型卡）。 - 许可：Apache 2.0。部署：本地。针对性：与训练同一框架，评测即回归测试。
4.2 LIBERO（+ LIBERO-PRO）
- 核心能力：130 任务/4 套件（Spatial/Object/Goal/100）的终身学习操作基准，65K 演示；社区事实上的 VLA 对照基准。
- 许可：仓库 MIT（LICENSE）。注意：本仓历史记录中存在"LIBERO 许可冲突"疑虑（见 memory），但本次公开检索未发现 MIT 之外的限制条款；差异疑与资产再分发条款或内部口径有关，建议按 SOURCE_REGISTER 流程留痕复核后再商用。
- 扩展：LIBERO-PRO 评测扩展（GitHub）。LeRobot 兼容：AgiBot World 官方仓提供 LIBERO→LeRobot 转换脚本（来源）。
4.3 SimplerEnv（SIMPLER）
- 核心能力：把真机 setup（Bridge/Franka Kitchen 等）复刻进仿真做 policy 评测，宣称与真机表现强相关；CoRL 2024 论文。
- 许可/定价：开源（GitHub、项目页）。用途：checkpoint 选择与跨模型对照的廉价代理评测。
4.4 RoboArena
- 核心能力：社区运营的分布式真机评测：全球评测者在同构 DROID 平台上异步跑 policy（17 任务），人负责重置与判定；把真机评测吞吐量放大几个量级；CoRL 2025（arXiv:2506.18123）；后续 RobotArena∞（ICLR 2026）做 real-to-sim 规模化。
- 许可/定价：社区运行（robo-arena.github.io）。对我们的意义：P3 众包真机评测的成熟范式（同构装置+异步执行+人工重置）。
4.5 AgiBot World（挑战赛与评测工具）
- 核心能力：100+ 台同构机器人采的 1M+ 轨迹/100+ 场景开源数据（IROS 2025 最佳论文）；默认使用 LeRobot 数据格式与 dataloader；Challenge 2025 提供可下载评测工具，Challenge 2026 以 Genie Sim 3.0 做 Sim2Real 评测。
- 许可：数据开源（GitHub、官网、The Robot Report 报道）。
- LeRobot 兼容：原生（这是大型数据集阵营向 LeRobot 格式看齐的最强信号）。
4.6 NVIDIA Isaac Lab / GR00T / Cosmos
- 核心能力：Isaac Lab 开源机器人学习框架（GPU 并行仿真）；GR00T 提供开放数据与数据管线+基础模型+Omniverse/Cosmos 仿真合成；Cosmos 世界基础模型生成合成数据。
- 许可：Isaac Lab BSD-3-Clause（部分 Apache-2.0）（官方文档）；GR00T N1 权重曾为 gated 非商用研究许可，N1.7 转向更开放/可商用口径（NVIDIA、GitHub、第三方梳理）；以 NVIDIA 官方许可页为准。
- LeRobot 兼容：GR00T 生态与 LeRobot 数据格式有互转工具链（社区活跃）。
4.7 评测方法论警示
- 2025 审计论文《What Are We Actually Benchmarking in Robot Manipulation?》对 LIBERO/CALVIN/SimplerEnv/RoboCasa/RoboTwin 2.0 做系统性审计，提醒"基准分是泛化的代理而非终点"（arXiv:2606.04233）——支撑我们坚持自有 P1/P3 真机协议作为验收 SSOT 的立场。
- ARES 内建 PI π0 演示基准（20 视频/11 任务 VLM 成败判别，gpt-4o 最优）可作为"VLM 自动判成败"的参考配方（GitHub eval 章节）。
5. 格式 / 处理段
5.1 LeRobot Dataset v3.0（事实标准候选）
- 核心能力：Parquet（分块元数据）+ MP4（视频流）+ JSON（info/stats）布局；v3.0 引入多 episode 文件组织以支撑大规模数据集；一行命令
python -m lerobot.datasets.v30.convert_dataset完成 v2.1→v3.0；HF Hub 原生托管与流式加载。 - 许可：Apache 2.0。案例：DROID 1.0.1 大规模迁移示范（官方博客、v3 文档）。
5.2 lerobot-lancedb（Lance 布局加速）
- 核心能力：LeRobot v3 → Lance 列式布局一次性转换，之后本地盘/对象存储直训；官方称读取 1.7–6× 提速、存储省 42%（具身数据案例）；含 dataset doctor；v0.3 起并入 LeRobot 原生 Lance 支持。
- 许可：开源（GitHub、LanceDB 文档、性能案例博客）。
- LanceDB 本体：OSS Apache 2.0（FAQ）；云版免费档约 1GB，Business/Enterprise 报价（对比）。
5.3 RLDS / Open X-Embodiment
- 核心能力：TFDS 的 episode 数据规范；OXE 汇聚 22 机器人/21 机构/150K+ 任务，是 ARES、Avala 等的事实输入格式。
- 许可：开放（各子数据集许可不一）。与 LeRobot：互转工具成熟（lerobot 官方及社区转换器）。来源：a16z ARES 文、Avala 输出格式。
5.4 MCAP
- 核心能力：开源容器文件格式：自描述、快写快 seek、前向兼容，机器人 pub/sub 日志事实标准；Encord 原生导入；Foxglove 母项目。
- 许可：开源（mcap.dev、GitHub）。与 LeRobot：仅在 ROS 桥接场景出现，需转换。
5.5 传统学术格式（HDF5 / zarr）
- robomimic（HDF5）与 Diffusion Policy（zarr）生态各自沿用历史格式（robomimic、diffusion_policy）；向 LeRobot 迁移已是社区主流动作（见 v3.0 迁移教程以 DROID 为例）。
5.6 EmbodiFlow（IO-AI / 艾欧智能）— 2026 新
- 核心能力：中文具身数据标注/检查/可视化平台，宣称兼容 LeRobot 与 ROS；免费浏览器工具 LeRobot Studio（无需登录，视频/曲线/原始特征同步检视，支持 v2↔v3 双向转换）。
- 许可/定价：平台商用（报价未公开）；LeRobot Studio 免费。部署：SaaS。
- LeRobot 兼容：原生（平台页、LeRobot 指南、工具页）。
5.7 ARIO（开放数据标准）
- 面向具身智能的开源数据标准联盟（all-in-one 表征，含多传感器/动作/语言）（ARIO Alliance）。观察项，未大规模采用。
5.8 Rerun .rrd
- "log once, train anywhere"：SDK 记录即存储即训练源；对回放调试与 episode 审计极便利（rerun.io）。
6. 2025–2026 趋势备注（不影响五段结论，供决策参考）
- a16z 连续下注：ARES（开源数据平台，2025-04）→ Mind Robotics（Rivian 创始人 RJ Scaringe，"部署产生数据、数据改进模型"的工业飞轮，2026-03）（公告）。
- 合成/替代数据路线崛起：General Intuition 用海量游戏数据+手柄输入训物理 AI 基础模型，$320M Series A / $2.3B 赌注（PitchBook、TechCrunch）；Odyssey（odyssey.ml）走世界模型路线（检索未发现其数据集开源，官网）。
- RL 环境创业潮：TechCrunch 2025-09 综述（链接）。
- 物理 AI 融资：WSJ 口径至 2025-02 已 $26.7B（经 Rerun 报道转引，SiliconANGLE）。
- 中国阵营：AgiBot World（开源+LeRobot 默认）、ARIO 标准、IO-AI/EmbodiFlow、Nexdata 8000㎡ 具身采集设施（检索来源）——具身数据基础设施的"中国速度"明显。
7. 最优组合建议（针对：已有 LeRobot v3 实操 + P1/P3 评测协议）
推荐栈
| 环节 | 选择 | 不选谁 | 理由 |
|---|---|---|---|
| 格式/存储（地基） | LeRobot Dataset v3.0 为唯一交换格式；>50 episode 数据集本地转 Lance（lerobot-lancedb） | RLDS 主格式、私有格式 | v3 已被 AgiBot World（1M+ 轨迹）默认采用，事实标准正在形成；Lance 转换换 1.7–6× 读取与 42% 存储节省，且 doctor 工具直接服务策展 |
| 采集 | LeRobot 原生 record/teleoperate 为主 + phosphobot（Quest app）降低众包操作员门槛；GELLO（全 MIT，~$300/臂）作多臂低成本备选 | Scale/Labelbox Terra/Encord 采集服务 | 开源栈采集边际成本近零、数据不出域；商用采集网络六位数起步且与"数据权属最小投影"边界冲突；phosphobot 自动产 LeRobot 格式、对非技术操作员最友好 |
| 标注 | Label Studio（Apache 2.0 自部署） 做人工 QC/语言指令/成败标签界面 + 自建自动标注管线（GroundingDINO+SAM@5FPS + VLM@1FPS，照抄 ARES 配方，实测 ~$0.01/episode、2500 条复杂标注 $5/10 分钟） | CVAT（除非 LiDAR/点云成为刚需）、Roboflow（无 LeRobot 导出、2D 偏科） | Label Studio 许可干净、XML 模板可深度定制成"具身 QC 工单"；Roboflow 被 a16z 明评"较少 robotics 专注"且无 LeRobot 格式 |
| 清洗/策展 | 借 ARES 架构（SQLite 结构化 + FAISS 嵌入 + 近邻检索 + UMAP）自建 LeRobot-v3 原生策 Curator（ARES 只吃 OXE/RLDS，无法直接用，但配方可移植）；Rerun（MIT/Apache）嵌入管道做 episode 视频复核与 OOD 抽查 | Encord Active/FiftyOne（帧级、无动作序列概念）、Foxglove（已闭源+ROS 绑定） | 策展是具身数据质量的核心杠杆（Figure 引 a16z 文：策展后 1/3 数据量换 40% 吞吐提升）；自建部分仅是"schema+检索"，不是重研发 |
| 评测 | P1/P3 自有真机协议保持验收 SSOT（已预注册、有严格对照配方）；LIBERO（MIT，商用前按 SOURCE_REGISTER 复核许可留痕）+ SimplerEnv 作离线回归代理；借鉴 RoboArena 分布式模式扩展 P3 众包真机评测；VLM 自动成败判定照 ARES π0 基准配方 | 全盘外购评测（无此类商用产品） | 评测协议是本仓最难复制的差异化资产；2025 审计论文证明公共基准只是泛化代理；RoboArena 验证了"同构装置+异步执行+人工重置"与我们众包模式天然同构 |
一句话理由
全部核心环节落在 MIT/Apache 级开源许可 + LeRobot 原生格式 上：零许可风险（可商用、可对客户交付）、与现有 v3 实操零迁移成本、自动标注成本 ~$0.01/episode 可随众包规模线性扩展、数据主权完整（不出域、不做最小投影以外的暴露）；商用采购只保留一个触发器——客户垂域出现 LiDAR/点云级标注需求时评估 Encord（唯一原生 MCAP+VPC+物理 AI 专线且客户名单可验证的商用平台），采集网络（Scale/Terra/Avala）在拿到六位数级客户订单前不碰。
风险与开放问题
- ARES 为单人研究项目（2025-04 发布），若采纳其配方需 fork 自维护，不可依赖上游。
- LIBERO "许可冲突"记忆与公开 MIT 检索结果矛盾——商用前按本仓 SOURCE_REGISTER 流程复核资产再分发条款。
- GR00T/Cosmos 权重许可按版本浮动（N1 gated 非商用 → N1.7 开放），引用前查当版许可页。
- 定价信息多为 2026-08 检索快照，商用询价时以厂商实时报价为准（Encord/Scale/Labelbox/SuperAnnotate 均不公开价格）。
附：本次查证的主要来源索引
- ARES：https://a16z.com/ares-an-open-source-platform-for-robot-data/ · https://github.com/jacobphillips99/ares
- Scale AI：https://scale.com/physical-ai · https://www.universal-robots.com/news-and-media/news-center/universal-robots-scale-ai-launch-imitation-learning-system-accelerate-ai-training-lab-to-factory/
- Encord：https://encord.com/physical-ai-data/ · https://encord.com/blog/embodied-ai/ · https://labelstud.io/learningcenter/encord-data-labeling-platform-review/
- Labelbox Terra：https://labelbox.com/products/terra/ · https://www.dataxpower.com/blog/data-annotation-tools-comparison-2026 · https://truelabel.ai/data-annotation-companies
- SuperAnnotate：https://www.superannotate.com/ · https://autolabelling.com/superannotate/
- Labellerr：https://www.labellerr.com/robotics-data · https://www.linkedin.com/company/labellerr · https://autolabelling.com/labellerr/
- Avala：https://avala.ai/usecases/robotics · https://avala.ai/academy/what-is-avala
- CVAT：https://github.com/cvat-ai/cvat · https://www.cvat.ai/pricing/cvat-online
- Label Studio：https://github.com/HumanSignal/label-studio · https://humansignal.com/pricing/
- Roboflow：https://roboflow.com/pricing · https://roboflow.com/formats · https://roboflow.com/open-source
- LanceDB/lerobot-lancedb：https://github.com/lancedb/lerobot-lancedb · https://docs.lancedb.com/integrations/lerobotdataset · https://www.lancedb.com/blog/china-merchants-lancedb-story · https://docs.lancedb.com/faq/faq-oss
- LeRobot v3：https://huggingface.co/blog/lerobot-datasets-v3 · https://huggingface.co/docs/lerobot/lerobot-dataset-v3 · https://huggingface.co/docs/lerobot/en/libero
- Rerun：https://github.com/rerun-io/rerun · https://rerun.io/blog/physical-ai-data · https://siliconangle.com/2025/03/20/rerun-gets-17m-build-essential-data-infrastructure-ai-powered-robots-drones-cars/
- Foxglove/MCAP：https://foxglove.dev/pricing · https://mcap.dev/ · https://discourse.openrobotics.org/t/foxglove-2-0-integrated-ui-new-pricing-and-open-source-changes/36583
- FiftyOne：https://github.com/voxel51/fiftyone · https://docs.voxel51.com/enterprise/overview.html
- Lightly：https://github.com/lightly-ai/lightly · https://www.lightly.ai/blog/data-annotation-tools
- Cleanlab：https://github.com/cleanlab/cleanlab · https://cleanlab.ai/blog/series-a-announcement/
- GELLO：https://github.com/wuphilipp/gello_software · https://wuphilipp.github.io/gello_site/
- phosphobot：https://github.com/phospho-app/phosphobot · https://docs.phospho.ai/examples/teleop
- LIBERO：https://github.com/Lifelong-Robot-Learning/LIBERO · https://github.com/Zxy-MLlab/LIBERO-PRO
- SimplerEnv：https://simpler-env.github.io/ · https://github.com/simpler-env/SimplerEnv
- RoboArena：https://robo-arena.github.io/ · https://arxiv.org/html/2506.18123v1
- AgiBot World：https://github.com/OpenDriveLab/Agibot-World · https://agibot-world.com/ · https://www.therobotreport.com/agibot-world-2026-dataset-open-source-accelerate-embodied-ai-development/
- NVIDIA：https://developer.nvidia.com/isaac/gr00t · https://isaac-sim.github.io/IsaacLab/main/index.html · https://github.com/Nvidia/Isaac-GR00T
- EmbodiFlow/IO-AI：https://io-ai.tech/zh/embodiflow/ · https://io-ai.tech/platform/en/guides/Pipeline/LeRobot/LeRobotV2V3Format/ · https://io-ai.tech/lerobot/
- 评测审计：https://arxiv.org/html/2606.04233v1
- 趋势：https://a16z.com/announcement/investing-in-mind-robotics/ · https://pitchbook.com/news/articles/general-intuition-is-turning-video-game-clips-into-ai-training-data-for-robots · https://techcrunch.com/2026/07/08/this-startup-thinks-robotics-is-about-to-have-its-chatgpt-moment/ · https://techcrunch.com/2025/09/21/silicon-valley-bets-big-on-environments-to-train-ai-agents/