马上团队三周年了，一直想找点拿得出手的成果向大家汇报下，第三年想来就是具身这件事情有点 起色了。这两月，我们正在努力将这个社区推向2000人规模。 当第一个同学向我们指出具身智能社区构建的时候，那时候许多方向还不是很明确，后续陆续见证 了ACT、RDT-1/RDT-2、CogACT、OpenVLA、π0、π0.5等工作的推出。着实感慨，具身发展的太快 了。早期自驾是算力和数据跟不上算法，而具身更像是数据跟不上算法和本体。 目前许多有学术需求和求职需求的同学都陆续加入到我们，旨在抱团取暖。内部为大家梳理了近 30+技术路线，无论你是要找benchmark、还是要找综述和学习入门路线，都能极大缩短检索时间。 星球还为大家邀请了数十个具身领域嘉宾，都是活跃在一线产业界和工业界的大佬（经常出现的顶 会和各类访谈中哦）。欢迎随时提问，他们将会为大家答疑解惑。 除此之外，我们还准备了很多圆桌论坛、直播，从本体、数据到算法，各类各样，逐步为大家分享 具身行业究竟在发生什么？还有哪些问题！ 技术之外，我们还和多家具身公司建立了岗位内推机制，欢迎大家随时艾特我们。第一时间将您的 简历送到心仪公司的手上。 如果您正在从事具身领域 ...

Group 1 - The core viewpoint of the article is the strategic partnership between Shanghai Robotics Industry Technology Research Institute and Midea Technology (603990) to enhance the application of intelligent robots in healthcare, rehabilitation, and elderly care sectors [1] - The collaboration will focus on the joint development of embodied intelligent datasets, standardization construction, and scenario-based applications in the medical and wellness fields [1] - The partnership aims to promote the technological implementation and industrial ecosystem construction of intelligent robots in various healthcare-related scenarios [1]

据了解，为保证数据的广泛适配性，帕西尼在工厂内部部署150个标准化采集单元，每个标准化数据集 采集都基于真人手部动作姿态来捕捉，并通过"空间视觉矩阵"进行"视觉-触觉"模态对齐，极大地提升 了数据的通用性。同时，后续通过体感重定向系统（Soma Redirect），采集而来的数据还能向不同型 号、不同设计的机器人输出，使得数据集有效突破模型的跨本体泛化能力瓶颈。 数据采集量所面临的第二个问题就是成本。帕西尼方面表示，由于无需依赖昂贵的机器人本体进行数据 采集，帕西尼的解决方案显著降低了采集成本，使得大规模、高质量的数据生产成为可能，为行业发展 提供了经济高效的路径。 6月23日，南方财经记者从帕西尼感知科技（深圳）有限公司（以下简称"帕西尼"）处获悉，该公司主 导建设的具身智能超级数据工厂（Super EID Factory）正式投入运营。 作为深圳本土培育的前沿科技企业，本次帕西尼落成的数据工厂选址于天津市河西区空天数字产业园， 面积近12000平方米，预计年产近2亿条高维训练数据。 帕西尼方面称，这座超级数据工厂是目前全球范围规模最大、数据采集体量领先的具身智能数据采集与 模型训练基地，将为当前具身智能产 ...

证券研究报告 具身智能数据:AI时代的石油 证券分析师 ：王紫敬 执业证书编号：S0600521080005 联系邮箱：wangzj@dwzq.com.cn 二零二五年六月五日 请务必阅读正文之后的免责声明部分 投资要点 1 ➢ 数据是推动具身智能技术快速突破和落地应用的关键。借鉴自动驾驶汽车发展的路径，数据对于具身智能同样至关重要。优质的数据集能够驱 动智能体感知与理解环境，能够加速具身智能模型的训练与部署，帮助机器人有效完成复杂任务。不同于大语言模型可以使用互联网海量信息 作为训练数据，机器人所用的具身智能模型没有现成数据可以使用，需要投入大量时间和资源进行机器人操作实践或仿真模拟，以收集视觉、 触觉、力觉、运动轨迹以及机器人本体状态等多源异构数据。符合通用标准、得到验证的数据集成为具身智能行业的刚需。当前具身智能本体 形态多种多样，应用场景千差万别，对于具身智能训练数据的需求也更为多元。目前业内仍有部分数据集主要聚焦在特定机器人、特定场景和 特定技能等方面，在整体通用性上有待提升。因此，构建高质量、多样化的感知数据集是不可或缺的基础工作，这些数据集不仅为算法训练提 供了丰富的素材，也成为了评估具身性能的 ...