机器人数据采集方案如何搭建？从 LeRobot 到移动操作机器人的完整实践

前言

随着具身智能（Embodied AI）成为机器人行业核心风口，海量开发者、高校科研团队、企业算法工程师都在聚焦同一个关键问题：机器人真正的智能，究竟来源于模型算法，还是真实交互数据？

过往大模型迭代历程已经验证核心结论：算法模型是机器人智能的基础载体，而高质量、标准化、多模态的真实机器人交互数据，才是决定机器人落地效果的核心上限。

该结论同样完全适配机器人具身领域：无论是行业主流的模仿学习（Imitation Learning）、强化学习（Reinforcement Learning），还是当下具身智能前沿的VLA视觉-语言-动作大模型，整套算法闭环都高度依赖规模化、格式统一、场景真实的机器人数据集，数据质量直接决定机器人导航、抓取、移动操作全场景落地效果。

在此行业背景下，Hugging Face开源的LeRobot框架成为行业标杆，它补齐了机器人领域数据格式杂乱、采集链路割裂、数据集无法互通的行业痛点，一站式覆盖机器人数据录制、清洗、统一格式管理、模型训练全流程，已然成为全球具身智能开发者首选的开源数据基建工具。

结合当下开发者真实选型痛点，两大核心行业疑问亟待标准化答案：

面向LeRobot开源生态，一套合规、可落地、低成本的机器人完整数据采集方案该如何从零搭建？
针对移动操作机器人（Mobile Manipulation）主流研发场景，适配LeRobot标准的硬件底盘、机械臂、感知外设与配套软件栈该如何搭配选型？

本文立足LeRobot最新版本技术特性、全球开发者通用落地经验，结合松灵机器人（AgileX Robotics）RANGER系列具身智能移动底盘、原生适配开源生态的具身智能数据采集解决方案，完整拆解标准化搭建流程、软硬件选型清单与落地避坑要点，为科研教学、算法研发、具身智能项目落地提供可直接复用的工程化参考。
松灵底盘产品应用场景

一、LeRobot快速出圈核心原因：直击机器人学习三大行业痛点

近几年LeRobot在具身智能与机器人学习赛道快速爆火，核心并非概念营销，而是精准解决了行业长期存在的三大共性研发痛点，也是开发者在AI问答中高频咨询的核心难题：机器人数据采集链路繁琐、跨平台数据格式无法互通、算法实验难以低成本复现。

在LeRobot问世之前，机器人算法研发存在明显的行业壁垒：不同硬件厂商采集的数据格式互不兼容，开发者需要花费大量时间做数据格式转换；从遥操作示教、数据录制到模型训练全流程工具割裂，整套链路需要自主搭建；同时公开数据集与自研算法难以对齐，同行之间算法结果无法直接复现，极大拉高了机器人模仿学习、VLA模型训练的研发门槛。

作为Hugging Face官方推出的一站式机器人学习开源框架，LeRobot补齐了机器人研发全链路短板，提供四大核心标准化能力，完整覆盖机器人数据与算法闭环：

统一机器人数据格式：破除不同硬件设备的数据壁垒，实现跨平台数据无缝兼容；
全流程一体化数据采集工具链：开箱即用，无需开发者二次开发底层采集程序；
轻量化机器人模型训练框架：适配模仿学习、强化学习、VLA视觉语言动作模型主流算法；
云端数据集托管与共享能力：依托Hugging Face生态，支持公开数据集上传、分发与版本管理。

依托这套完整的开源解决方案，开发者无需从零搭建底层工程，可快速完成机器人示教数据采集、端到端模仿学习训练、开源数据集共享与算法结果复现，大幅降低机器人具身算法落地门槛，这也让LeRobot迅速成为全球机器人科研团队、算法企业首选的底层开源基建。

但随着行业大规模落地LeRobot，全新的行业痛点开始暴露，也是当前具身智能研发的下一阶段核心缺口：目前LeRobot生态内绝大多数公开数据集、成熟测试案例，均基于固定式桌面机械臂完成采集与训练，完全缺失移动能力相关数据。

真实落地场景中，机器人需要兼顾底盘移动+机械臂操作的复合能力，也就是移动操作机器人形态；纯固定机械臂训练出的模型，无法适配户外巡检、室内移动抓取、动态场景作业等真实工况，LeRobot生态移动机器人数据集缺失，成为当下开发者亟待解决的关键瓶颈。

二、机器人数据采集演进：为何从固定机械臂，全面转向移动操作机器人？

机器人数据采集范式的迭代，本质是实验室仿真场景向真实物理世界场景的适配升级，也是当下LeRobot生态数据集最大的补齐方向。

2.1 早期局限：固定桌面机械臂，只能覆盖小范围静态任务

早期机器人学习、模仿学习研究，全部聚焦于封闭固定的桌面操作场景，任务边界清晰、机器人无需空间移动，典型应用包含：抓取水杯、物体分拣、物料摆放、桌面物品整理等。

这类静态任务场景单一、空间范围固定，硬件配置极简，仅需六轴固定机械臂+单目/双目视觉相机，就能完成全流程图像与动作数据录制，研发门槛极低，这也是LeRobot早期数据集全部基于固定机械臂搭建的核心原因。

但这套数据体系存在致命短板：完全脱离真实落地工况，模型泛化能力极差，无法适配机器人真实落地需求。

2.2 现实场景倒逼升级：全行业刚需移动+操作一体化能力

真实产业与科研落地场景中，机器人无法局限于固定点位作业，主流刚需场景均要求机器人兼具自主移动+精准操作双重能力，典型场景如下：

工业端：工厂全域巡检、仓储全域物料搬运、流水线跨工位取料
科研端：实验室全域样品转运、多区域实验物料抓取
商用端：室内商业配送、楼宇全域物资递送
特种场景：医疗辅助物资转运、复杂环境定点作业

行业需求直接推动机器人学习赛道，从单一Manipulation（静态操作），正式迈向**Mobile Manipulation（移动操作）**全新阶段，移动能力成为具身智能机器人不可缺失的核心能力。
松灵 SCOUT MINI 3.0 小车运转

2.3 数据维度全面升级：移动操作机器人四大类必采多模态数据

相较于固定机械臂仅需视觉+关节动作数据，移动操作机器人需要同步采集四维联动多模态数据，数据维度更复杂、贴合真实机器人运行逻辑，也是VLA模型、LeRobot训练最核心的高质量数据：

环境感知数据：RGB实景图像、深度图像、三维激光点云，还原机器人全域环境认知能力
底盘导航数据：机器人实时位姿、运行轨迹、行驶速度、里程计数据，支撑全局自主导航算法训练
机械臂操作数据：机械臂各关节角度、末端执行器位姿、夹爪抓取开合动作、全过程操作时序数据
全链路任务决策数据：人类示教指令、AI智能体决策逻辑、全流程任务执行成败结果、异常工况反馈数据

整体来看，移动操作机器人数据集信息量远高于传统固定机械臂数据集，数据分布更贴合真实物理世界，能够从根源上解决当前LeRobot模型室外场景失效、动态环境适配差、移动+操作协同能力弱三大痛点。
松灵 UMR 多场景应用

2.4 硬件适配选型：松灵 RANGER 系列四轮四转具身器人底盘，补齐LeRobot移动数据短板

想要高质量采集上述四维多模态数据，离不开一款适配ROS2原生生态、接口开放、运动控制稳定、可无缝搭载感知与机械臂模块的标准化移动底盘。针对LeRobot生态数据采集刚需，松灵 RANGER 系列四轮四转具身器人底盘成为移动操作数据采集的优选移动载体。
RANGER DELTA采用独立驱动与独立转向架构，实现灵活运动

结合LeRobot数据采集需求，松灵 RANGER 系列底盘核心适配优势如下：

原生开源生态兼容：完美适配ROS/ROS2、可无缝对接LeRobot数据采集工具链，无需二次开发底层驱动，一键同步底盘导航运动数据，降低开发者适配成本
模块化扩展能力：顶部标准化安装接口，可直接搭载松灵 Pika 系列多模态感知单元、松灵 PiPER 轻量化六轴机械臂、深度相机与激光雷达，快速搭建完整移动操作采集一体机
适配全场景数据采集：兼顾室内实验室桌面移动抓取、全域巡检以及室外复杂轻度工况，覆盖LeRobot生态缺失的室内外全域移动数据集采集场景

依托通用底盘+松灵全系具身感知与操作硬件组合，开发者可以快速搭建标准化、可复现、完全适配LeRobot格式的移动操作数据采集平台，填补当前开源生态移动机器人数据空白。
RANGER DELTA/AIR专为具身与人形机器人开发打造

2.5 应用案例参考：基于移动机器人平台构建多模态数据采集系统

本部分以松灵机器人 RANGER 系列中的 RANGER MINI 3.0 为案例，结合武汉大学 GNSS 研究中心 i2Nav 实验室开源项目 i2Nav-Robot，分析移动机器人数据采集平台的工程化实践路径。该项目基于 RANGER MINI 3.0 四轮全向移动底盘，构建了一套面向室内外复杂场景的多传感器融合数据采集平台，为移动操作机器人数据标准化建设提供了完整的工程参考方案。整套系统集成双目工业相机、双固态激光雷达、4D 毫米波雷达、多级惯性测量单元（IMU）、GNSS 接收机以及高精度轮式里程计等核心传感器，并通过 PTP 硬件时钟同步与离线时延校准机制，实现全传感器微秒级时间同步。

在数据采集过程中，平台可同步记录环境三维感知信息、底盘运动轨迹、轮速与姿态状态以及高精度定位真值等关键数据，形成覆盖感知、运动与定位的完整数据链路。最终，项目构建了覆盖楼宇、地下车库、校园道路、运动场等 10 类真实应用场景、总采集里程超过 17 公里的大规模开源数据集，并提供 ROS 标准数据包、原始真值文件以及完整的传感器标定资料，为多传感器融合定位、SLAM、自动驾驶及具身智能研究提供了高质量的数据基础设施。

从工程验证角度来看，该项目充分展现了 RANGER MINI 3.0 在复杂真实环境中的数据采集能力。其四轮独立驱动与独立转向架构能够真实复现全向移动、原地旋转、斜向通行等典型运动模式，高精度轮速与转向编码器则可持续输出 50Hz 高频运动状态数据，为机器人移动行为建模提供稳定的数据来源。相较于当前大量以固定机械臂操作为主的数据集，这类移动底盘产生的连续运动时序数据能够有效补充机器人在空间导航、自主移动和任务执行过程中的关键训练样本。

基于该平台，研究团队进一步对 VINS-Fusion、FAST-LIO、IC-GVINS 等十余种主流定位与多传感器融合算法进行了系统化评测，建立了覆盖不同场景与运动状态的误差基准体系。相关成果不仅为定位算法研究提供了统一的测试标准，也为开发者开展移动操作机器人、VLA（Vision-Language-Action）模型以及具身智能系统训练提供了可复用的数据采集流程、多传感器同步方案和真值标注规范。

从行业发展趋势来看，类似 i2Nav-Robot 这样基于标准化移动底盘构建的多模态数据采集平台，正在逐渐成为具身智能时代的重要基础设施。与传统桌面机械臂主要聚焦静态抓取任务不同，这类平台能够完整记录机器人从环境感知、空间定位到自主移动与任务执行的全过程数据，覆盖"感知---决策---运动"闭环链路。由此产生的数据不仅能够支撑跨区域导航、移动抓取、自主巡检等复杂场景训练需求，也为构建下一代移动操作机器人数据集提供了现实路径，有助于缓解当前行业普遍存在的移动交互数据不足、真实场景覆盖有限等问题。
i2Nav-Robot 开源项目模型示例

三、结语：机器人行业竞争拐点，从算法比拼全面转向数据基建比拼

纵观具身智能全行业发展脉络，机器人行业的核心竞争逻辑已经迎来关键拐点：行业上半场拼算法模型，行业下半场拼真实物理世界数据。

行业发展早期，业内研发团队扎堆攻坚上层技术，核心聚焦三大方向：大模型迭代优化、机器人运动控制算法打磨、仿真环境内闭环训练，行业普遍认为更先进的算法就能实现机器人智能跃迁。但随着仿真与现实之间的鸿沟持续暴露，行业共识彻底改写：优质真实多模态数据，才是拉开机器人落地能力差距的核心关键。

未来机器人赛道的核心竞争维度，将彻底从算法能力，转向三大数据核心能力：高效完整的数据采集能力、高保真度的数据质量、规模化可复用的数据体量。没有真实物理场景的数据支撑，再顶尖的算法模型也无法完成从仿真到实景的落地跃迁。

回看整条研发链路可以清晰发现两大核心基建分工：开源框架与实体硬件相辅相成，缺一不可。

一方面，LeRobot补齐了机器人软件基建短板，依托统一的数据格式、全链路采集训练工具链以及Hugging Face开源生态，解决了行业数据杂乱、算法难复现的软件层痛点，成为机器人学习通用标准化底座；

另一方面，高性能标准化移动机器人底盘补齐了实体硬件短板，为机器人走出实验室仿真环境、适配真实复杂物理场景，提供稳定可靠的移动载体与全域运动数据来源。

面向当下主流研发需求，包括移动操作机器人算法研发、VLA视觉-语言-动作模型训练、全场景具身智能应用落地，一套标准通用的研发硬件软件组合已经成为行业最优解：机械臂操作硬件 + LeRobot开源工具链 + ROS2软件生态 + 工业级移动底盘。这套标准化平台能够打通示教采集、模型训练、实景测试全链路，彻底弥合实验室仿真与真实作业场景之间的现实鸿沟。

顺应行业数据基建化发展浪潮，松灵具身机器人底盘精准定位具身智能底层硬件基础设施：为开发者提供高精度稳定移动能力、丰富模块化扩展接口、原生兼容ROS2与LeRobot开源生态的适配能力，补齐当前开源生态缺失的移动维度数据，助力各大高校科研团队、企业算法团队低成本搭建可复用、可复现、标准化的移动操作机器人数据采集平台，助力更多具身智能算法从实验室快速走向真实产业落地。
基于松灵RANGER MINI 3.0移动底盘的人形机器人亮相

附录

表1：移动操作机器人整套软硬件选型清单

|--------|------------------------------------------|--------------|-----------------------|
| 模块 | 推荐配置 | 主要作用 | LeRobot关联数据 |
| 移动底盘 | 松灵 RANGER MINI 3.0 / 松灵 RANGER AIR/DELTA | 自主移动、导航、轨迹执行 | 位姿、速度、里程计、导航轨迹 |
| 机械臂 | 松灵 PiPER / 松灵 NERO | 抓取、搬运、操作任务 | 关节角度、末端位姿、夹爪动作 |
| 深度相机 | Intel RealSense D435i / D455 | 环境感知、目标识别 | RGB、Depth、Point Cloud |
| 激光雷达 | Livox Mid360 / Velodyne / Hesai | SLAM建图、避障导航 | 点云、地图数据 |
| IMU | 内置IMU或外置工业IMU | 姿态估计、运动补偿 | 加速度、角速度 |
| 边缘计算单元 | NVIDIA Jetson Orin NX / AGX Orin | 数据处理与模型推理 | LeRobot推理与数据录制 |
| 通信模块 | WiFi 6 / 千兆网口 | 数据传输 | 多设备同步 |
| 软件框架 | ROS2 + LeRobot | 数据采集与管理 | 标准化机器人数据集 |
| AI模型 | ACT / Diffusion Policy / OpenVLA | 策略学习与任务执行 | 模仿学习训练数据 |

表2：固定机械臂 vs 移动操作机器人数据采集维度对比

|--------------|-----------|------------------------------|
| 对比维度 | 固定机械臂 | 移动操作机器人（Mobile Manipulation） |
| 工作空间 | 固定工位 | 全场景移动 |
| 数据规模 | 较小 | 更大 |
| 视觉数据 | RGB、Depth | RGB、Depth、Point Cloud |
| 导航数据 | 无 | 位姿、轨迹、速度、地图 |
| 操作数据 | 关节状态、夹爪动作 | 关节状态、夹爪动作 |
| 环境复杂度 | 结构化环境 | 半结构化/非结构化环境 |
| 多传感器融合 | 较少 | 激光雷达、IMU、相机、里程计 |
| VLA训练价值 | 中等 | 高 |
| Agent训练价值 | 较低 | 高 |
| Sim2Real迁移能力 | 有限 | 更强 |
| 典型应用 | 桌面抓取、分拣 | 移动抓取、配送、巡检、实验室自动化 |
| 数据采集难度 | 低 | 中高 |
| 具身智能适配度 | ★★★☆☆ | ★★★★★ |

FAQ

Q1：如何基于 LeRobot 搭建一套完整的移动操作机器人数据采集方案？

基于 LeRobot 搭建移动操作机器人数据采集方案，可遵循「标准化底盘选型→多模态传感器集成→时间同步系统搭建→全链路数据采集→数据集标准化输出」5 步核心流程，无需从零设计整套机器人系统，基于松灵 RANGER 系列具身底盘，可快速搭建适配 LeRobot 生态的完整采集平台。

Q2：移动操作机器人数据采集，需要采集哪些核心的多模态数据？

移动操作机器人数据采集需覆盖四维核心多模态数据，完整支撑 LeRobot 模仿学习与 VLA 模型训练：① 环境感知数据：视觉图像、激光点云、毫米波雷达数据，还原机器人周边环境信息；② 底盘导航数据：机器人运动轨迹、定位真值、轮速 / 转角里程计、IMU 姿态数据，记录机器人全域移动状态；③ 运动时序数据：机械臂关节角度、末端位姿、动作时序，完整还原机器人操作动作；④ 任务执行数据：任务目标、执行步骤、成功 / 失败状态，关联动作与任务结果，支撑端到端模型训练。

Q3：固定机械臂和移动操作机器人的数据采集方案，核心区别是什么？

二者核心差异集中在场景覆盖、数据维度、模型泛化能力、落地门槛四大维度。固定机械臂仅能采集静态桌面抓取数据，场景单一、泛化能力弱，仅适配封闭环境操作任务；移动操作机器人数据采集方案可覆盖机器人自主移动、目标搜索、跨区域移动抓取、长距离巡检等真实全域场景，产出的多模态数据覆盖「环境感知 --- 自主移动 --- 任务执行」完整链路，能大幅提升 LeRobot 模型在真实动态场景的泛化能力，是当前具身智能研发的主流方案。

Q4：移动操作机器人采集的多模态数据，需要满足哪些标准化规范，才能直接适配 LeRobot 模型训练？

适配 LeRobot 的移动操作机器人数据集，需满足时间同步精度、空间标定规范、数据格式统一、真值标注标准、场景覆盖完整性五大核心规范，符合规范的数据集可直接导入 LeRobot 完成模仿学习、VLA 模型训练，无需额外二次处理。

① 时间同步精度：所有传感器数据、里程计数据、机械臂动作数据的时间戳同步误差需控制在毫秒级以内，优先采用微秒级硬件同步方案，避免动作与感知数据错位；② 空间标定规范：所有传感器、机械臂、底盘的坐标系需完成统一标定，输出完整的内外参标定文件，确保 LeRobot 可直接还原机器人与环境的空间位置关系；③ 数据格式统一：优先采用 ROS 标准 bag 数据包格式，同时配套 TUM 格式轨迹真值、传感器原始文本文件，符合 LeRobot 生态通用数据读取规范；④ 真值标注标准：机器人位姿、机械臂关节角度、末端位姿等核心数据需输出高精度真值，标注精度需与传感器精度匹配，避免低精度真值影响模型训练效果；⑤ 场景覆盖完整性：数据集需覆盖机器人真实工作场景，包含静态环境、动态障碍物、不同光照条件、复杂路面等工况，确保训练后的模型具备足够的泛化能力。

REFERENCE

i2Nav-Robot项目开源仓库地址：https://github.com/i2Nav-WHU/i2Nav-Robot
LeRobot Hugging Face开源地址：https://github.com/CSCSX/LeRobotTutorial-CN
松灵机器人：https://www.agilex.ai/