穹彻智能 X 阿里云：自动化 UMI 数据处理产线，驱动先进具身大脑

具身智能（Embodied AI）正在成为 AI 领域最受关注的方向之一。要让机器人像人类一样理解并操作物理世界，模型离不开海量、高质量、贴近真实的操作数据。但真实世界操作数据面临数据稀缺、采集困难、标注昂贵、格式混乱、训练低效等困境。

挑战：从 UMI 采集数据到有效训练数据的四道难关

穹彻智能（Noematrix）是国内具身智能领域的头部厂商，聚焦多本体的“数据—训练—部署”全链路基础设施。在穹彻的技术体系中，

而这些数据中最具价值、也最难处理的一类，就是UMI 手持夹爪采集数据：一只搭载广角（鱼眼）相机的手持夹爪，在人手自然操作中同步记录第一视角视觉画面、末端 6DoF 位姿轨迹与夹爪开合状态，天然携带了“手-物体”操作的精确视觉与动作上下文，是模仿学习最通用的 manipulation 先验。

想象一下：研究人员拿着一对手持设备（UMI）做各种动作——拿起杯子、翻转物体、打开抽屉。设备上的鱼眼相机记录下多视角画面，同时记录夹爪的位置、姿态、开合状态。这些数据对训练机器人非常宝贵，但要变成模型能"吃"的训练数据，中间隔着四道难关：

• 位姿恢复——计算密集型任务
  。手持采集没有外部动捕设备，需要从鱼眼视频中用视觉SLAM算法重建夹爪的6DoF位姿轨迹。视频一多，算力需求成倍膨胀。

• 相机标定——重度依赖算力
  。手持夹爪多用大广角鱼眼镜头，画面严重畸变且缺乏标定信息。需要先做鱼眼去畸变，再估计焦距与相机内外参，同样是逐帧处理的重计算任务。

• 动作分割——人工成本高、周期长
  。连续操作中，一个原子动作何时结束、下一个何时开始，难以人工界定。同时需要自动质检轨迹是否在机器人关节限位内，还要给每个片段配上自然语言指令（如"拿起杯子"）。靠人工切分、校验与标注，成本高、周期长，根本无法规模化。

• 数据量极大——单机扛不住
  。数百小时视频叠加去畸变、SLAM位姿重建、VLM标注等多重处理，单机算力根本无法承载。而且链路长、任务耗时久，任何一个环节中断都可能让整批处理前功尽弃。

从这些难关指向四个工程诉求：

• 能够按需扩缩、扛住高负载的数据处理框架；
• 覆盖周期调度、批量重跑与手动触发等多场景的编排框架，调度整条数据产线；
• 数据产线的每条数据、每个任务的血缘都需要可追溯；
• 围绕 AI 全生命周期的训推平台，并与数据平台无缝衔接。

破局：跑在云上的 UMI Data+AI Pipeline

穹彻智能联合阿里云，基于 MaxCompute（MaxFrame）+ DataWorks + Hologres + PAI 构建端到端自动化 UMI 数据处理产线，将原本依赖人工、单机跑批、容易中断的流程，变成稳定运行、弹性扩展、全程自动的工业化生产线。

穹彻智能 UMI Data+AI Pipeline 架构图

MaxCompute MaxFrame 重构数据生产链路

MaxFrame 是运行在 MaxCompute 之上的分布式 AI 计算引擎，给产线带来的核心价值很直接：一边提供可弹性扩展的算力，一边支持自定义镜像环境。面对数百小时视频的多重处理任务，系统会把整套流程拆解后分发到分布式资源上执行：GPU 主要负责 SLAM 位姿重建和 VLM 多模态推理，CPU 则承担去畸变、切分、时间对齐、质检、动作计算以及导出等环节。像 SLAM、鱼眼去畸变、位姿重建这类第三方模型，也可以通过 DataFrame 算子的方式在分布式环境中直接运行，不必为了上云再把算法重写一遍。

MaxFrame 提供的原生 AI Function 算子让产线直接在数据处理链路中调用 VLM、LLM、Embedding 等大模型。语义标注环节使用原生 QwenVL 为动作片段生成语言指令，无需自建推理服务，即可低成本完成大规模批量多模态推理。

整个处理链路按阶段分别落表，天然支持断点续跑；即便某一个视频片段处理失败，也只是单独记录问题，不会把整批任务一起卡住。再加上 OSS 挂载、镜像预热和 GPU 显存复用这几项配合，长时间、高批量任务的稳定性就有了保障。最终产出的数据集符合 LeRobot 标准：data/ 中保存逐帧 state（10 维）和 action（10 维）的 Parquet 文件，videos/ 中存放原子动作 MP4，meta/ 则通过 JSONL 记录语言指令，可被 LeRobotDataset 直接加载，并进一步对接 pi0、GR00T、OpenVLA 等主流 VLA 模型。

DataWorks 统一调度编排

DataWorks 提供企业级智能调度能力：精细化周期调度支持分/时/日/周/月/年及自定义日历，支持多任务复用同一日历；一键式补数据支持历史回溯与重算，可选择独立容器资源组、按并发分组快速回刷；多元化触发支持 API/Webhook/消息中间件事件驱动及人工手动触发；异常修复支持自动重试、AI 诊断与基线延迟预警，保障数据按时产出。

Hologres 支撑 episode 元数据服务

MaxCompute MaxFrame 离线产出标准数据集后，Hologres 作为实时数仓承接 episode 元数据，为样本检索、标注/审核、训练数据管理、任务统计等业务系统提供统一在线入口。这一层聚焦在线数据服务：既要支撑高并发、低延迟的条件检索，又要让离线产线持续写入的新数据实时可见。

Hologres 的行列共存存储与实时写入能力，天然适合"高并发点查 + 持续写入"的一体负载，无需另建 KV 或搜索引擎。写入侧批量同步 episode 并按样本维度增量更新训练元信息；读取侧支持精确点查与多条件组合检索，跨多张元数据表灵活关联。读写统一省去在线库与分析库之间的数据搬迁，保证一致性与实时性。

PAI 加速模型迭代

PAI 将模型开发、分布式训练、性能调优与仿真验证几个环节衔接起来。LeRobot 数据集产出后，研发人员在 PAI-DSW 中挂载数据与自定义镜像完成调试与小规模验证；配置稳定后迁移至 PAI-DLC 开展多卡分布式训练；最终通过 PAI-EAS 加载模型、数据与评测配置，针对数据标注、轨迹质量、动作稳定性和场景泛化等维度验证。

针对 LingBot-VLA 训练链路，性能 Profile 显示热点集中在 Attention 计算。PAI-TurboX 结合实际计算图评估优化空间：FlashAttention 路径评估计算路径、QKV 布局及上下游算子；FlexAttention 路径启用自动调优，按输入形状选择更优 Kernel；针对动态 Attention Mask 分析重复编译及编译等待影响；结合数据预处理、序列打包、CPU 与 DataLoader 调度持续定位端到端等待与空转。收益通过同条件 A/B 测试确认，排除 Warm-up 与首次编译后比较稳态吞吐、Step Time、GPU 利用率、显存占用及训练指标一致性。

评测结果反馈至数据筛选、训练参数和模型结构调整，形成"数据生产—模型训练—性能调优—部署评测—结果反馈"的持续迭代闭环。

成果与展望

合作落地后，穹彻智能在多个维度获得实质改变：

• 数据处理全程"自动驾驶"，吞吐提升 10 倍以上，全流程无人工干预
• 多模态标注实现大规模自动打标
• 弹性算力峰值扩展至 10 万+ CU，绕开本地 IDC 扩展瓶颈
• 模型训练效率提升约 50%

本次合作验证了具身智能"数据-模型"全链路可以自动化、规模化跑在云上。当数据不再是瓶颈，模型迭代持续提速，机器人的能力边界就有了新的想象空间。未来双方将继续深化在世界模型等前沿场景的联合创新，推动"具身智能，丰富现实世界"愿景落地。