知识卡片：ACE-Data-0：以人为中心的环境捕捉具身数据引擎

一句话结论

ACE-Data-0 提出了一种名为 ACE（Ambient Capture Engine）的以人为中心的数据引擎，将真实家居环境改造成空间校准、时间同步的多感官记录棚，并构建了包含 150 小时、1700 万帧、7.5 万个交互片段的大规模具身智能演示数据集，以缓解具身智能的“数据瓶颈”。

事件概述或研究问题

具身智能面临根本性数据瓶颈：模型需要理解第一人称感知、全身运动、灵巧操作、物体状态、声音和触觉如何随时间共同演化。已有数据集往往在视角、模态或空间尺度上割裂了这一体验，导致“感知-行动闭环”只能被部分观测。为此，作者提出 ACE，并基于它构建 ACE-Data-0 数据集与分层基准。

方法/产品要点

ACE 将真实家庭环境转化为空间校准、时间同步的录音棚式数据采集系统。
两种互补尺度：桌面尺度（table-scale）用于解析手-物操作；房间尺度（room-scale）用于捕捉全身运动、移动和在家具环境中的交互。
统一多感官流记录：第一人称视角与多视角外部视频、全身与关节化手部运动、物体几何与 6-DoF 轨迹、音频和触觉信号。
使用目标级指令（goal-level instructions）而非逐步指令，以保留自然行为变化。
配套提出分层基准：从信号（signals）到场景组件（scene components），再上升到交互（interactions）。

主要结果或产业意义

ACE-Data-0 包含 150 小时、17M 视频帧、200 个任务类别、50 名参与者、2 个环境、共 75,000 个交互片段。
数据范围覆盖原子操作、长时序家务活动链、人-场景交互。
对现有 SOTA 方法的评估显示，在接触（contact）、遮挡（occlusion）、自我运动（egomotion）和长时程（long temporal horizons）场景下仍存在显著差距。
该数据集提供同步的人类演示，并带有对齐的感知、运动学和接触监督，可为模仿学习、世界模型、视觉-语言-动作（VLA）系统和具身 AI 提供可扩展基础。

为什么重要

本条与已有相关卡片（如 HumanForge、HOMIE、ergoCub 等）不同，它直接面向具身智能的数据采集与基准问题，不聚焦于深度伪造检测、视频个性化或人形机器人本体，而是提供“数据引擎”这一上游基础设施。增量信息在于：ACE-Data-0 强调在真实家庭环境中同时采集多模态、多尺度、时间同步的人体演示，并以目标级指令保留行为多样性，为后续具身模型训练提供更完整的感知-行动闭环数据。

局限与不确定性

摘要未说明数据集的公开可用性、许可证和下载方式，需待核实。
参与者仅 50 人、环境仅 2 个，其人口统计多样性和场景泛化能力未在摘要中交代，需待核实。
ACE 的具体硬件配置、标定流程和数据处理细节未在摘要中展开，需待核实。
与现有数据集相比的量化优势（如任务完成率提升幅度）在摘要中未给出，需待核实。

可用于图书/PPT/简报的角度

具身智能的数据瓶颈：为什么“数据”比模型更卡脖子。
从“录像”到“数据引擎”：如何把家变成多感官同步采集棚。
多模态、多尺度、时间同步：ACE 数据采集设计的三大关键词。
目标级指令 vs 逐步指令：如何用更少约束获取更自然的行为数据。
对 SOTA 的“压力测试”：接触、遮挡、自我运动、长时序仍是具身智能难点。

原始材料

英文标题：ACE-Data-0: Human-Centric Ambient Capture as Embodied Data Engine
英文关键词（据摘要提取）：Embodied AI; Data Engine; Multisensory Capture; Human-Centric Dataset; Imitation Learning
arXiv ID：2607.28625v1
arXiv URL：https://arxiv.org/abs/2607.28625v1
PDF URL：https://arxiv.org/pdf/2607.28625v1
作者：Yukang Cao, Haozhe Xie, Beichen Wen, Runmao Yao, Yinghao Liu, Yue Huang, Zhichao Liao, Yunxiang Wang, Haiheng Liu, Xingshun Tian, Dawei Su, Long Zhuo, Dacheng Tao, Xiaogang Wang, Liang Pan, Ziwei Liu
提交/更新日期：2026-07-30T17:59:50Z
Primary category：cs.CV