数据×训练 · 研究纲领（方向把握）
研究母题：EGO / UMI / 仿真 / 真机遥操作这四类数据，如何造、如何配、如何混，最终有效帮到训练。 这句话是 arxivReader 所有数据方向工作的北极星。下面是方向定性——先想清楚机制，再去抓论文。
一、核心判断：没有哪一类数据"够用"，它们是互补的四个角色
把四类数据源放到"一条数据→训练价值链路"上，它们各自承担不可替代的角色：
| 数据源 | 给训练什么（机制） | 拿什么换 | 最大短板 |
|---|---|---|---|
| EGO 人体第一视角 | 规模 + 多样性 + 人类灵巧（不用机器人就能海量采） | 极低成本 | 无机器人动作标签，需跨本体桥（retarget/隐式动作） |
| UMI 通用操作接口 | 灵巧 + 跨本体 + 对齐（人手拿手持设备采，跨本体可用） | 中低成本 | 数据格式/动作空间设计是命门 |
| 仿真/合成 | 覆盖边界 + 失败样本 + 自动标注 + 无限 | 便宜可扩展 | sim2real 鸿沟、行为真实性 |
| 真机遥操作 | 本体匹配 + 动作真值 + 金标准（目标机器人直接训） | 昂贵/慢/耗硬件 | 不可规模化、人类手感瓶颈 |
一场训练的正确姿势，几乎总是"四层栈"，而不是"四选一"：
① 用 EGO（+互联网）做海量预训练 → 世界模型 / 通用表征 / VLA 主干
② 用 UMI 型设备低成本采"灵巧+跨本体"示范 → 人工覆盖
③ 用仿真/世界模型合成边界、失败、密集物理 → 补覆盖 + 放大（real2sim 校准）
④ 用真机遥操采目标本体的金标准示范 → 精调 + 验证
⑤ 用统一动作空间（相机中心/夹爪不变/隐式动作）把这四层混进一个训练语料
二、四类数据各自的"帮训练"机制（重点精读视角）
EGO（第一视角人体视频）
机制A 当预训练语料（scale）：人类每天产出大量真实操作视频，喂 VLA/世界模型做主干的"海量免费汤底"。价值在多样性跟泛化：机器人永远采不到那么多种场景。 机制B 跨本体动作抽象：人体≠机器人，必须把"人干什么"翻译成"机器人怎么动"。三条路：显式 retarget（关节对齐）、隐式/潜变量动作（motion-focused latent action）、跨本体动作空间（相机中心）。 机制C 意图级模仿（配对）：ImitatorGame 的利刃——仅 10 条 human↔robot 配对示范 + 大规模预训练即大幅提升。证明"配对"是把 EGO 变现的高杠杆。 证据在库：Open-AoE（第一视角数据集+工具链）、EgoInfinity（Web 级 4D 手-物交互数据引擎）、ImitatorGame IG-10K、ZeroWAM（人体视频训世界动作模型）、WAM-TTT、UniDexTok（手 tokenizer）、EaDex、Mrs/Steering World Action。
UMI（通用操作接口）
核心思想：用手持、低成本、可随身携带的设备，让人就能采出"跟演示对齐、跨本体可用的"灵巧操作数据；配合夹爪不变动作表示 + 数据格式设计，让同一批数据能训很多机器人。它在"人类灵巧"与"跨本体可用"之间搭了桥。 帮训练的价值：①不必等真机就可以大规模采技能数据 ②一份示范多本体复用（数据投资回报高）③人类手能做到的精细技能，遥操未必做得到。 证据在库：KoalaGripper（夹爪+数据采集设备协同设计，正对 UMI 哲学）、OnePolicy-ManyEmbodiments（相机中心统一动作几何，一个权重吃全部）、YUBI（通用双指接口、双臂规模化）、HRDexDB（配对 human-robot）、EaDex。
仿真 / 合成
帮训练机制：补覆盖、补失败、补标签密度——仿真能做真机不敢做/难做的（危险、稀有、失败恢复），且动作/状态标签免费且一致；世界模型/生成器本质是"数据乘数"（一段视频→无限变体）。 关键约束：①sim2real 鸿沟（要 real2sim 校准）②行为真实性——BehaviorWorldGen 揭示合成数据最大坑不是"像不像"而是"周围智能体会不会合理回应你" ③产出可执行、可训的数据才算数（Scene2Demo 的闭环纠错）。 证据在库：Video2DoorTraversal（一段视频→自动造数据流）、Real2Sim2Real（Panda 扭矩 sim2real 校准）、CRAFT（视频扩散造双臂数据）、Worlds in One Demo（合成数据引擎）、CRESSim-Neo、GaussianDream++/μ0（世界模型）。
真机遥操作
帮训练机制：目标本体的金标准——本体匹配、动作标注齐全、直接在要部署的机器人上；任何大规模/预训练最后都绕不开"目标机器人的精调数据"。 关键约束：成本与手感。Missing Touch 证明"空间分布式触觉反馈"决定示范质量（轨迹偏差降 29–79%、压缩动作状态空间→低熵示范）；COBALT 用云端手机遥操作众包摊薄成本；SIEVE 用数据选择提纯。 证据在库：Missing Touch（手感→数据质量）、COBALT（众包遥操）、SoftVTBench（物理真值+DSR）、ViTacPhys（物理属性条件化）、KoalaGripper。
三、研究纲领要盯的关键问题（待精读的"北极星问题"）
- 统一动作空间：用什么表示让 EGO/UMI/仿真/遥操能共存于一套训练语料？（相机中心几何 / 夹爪不变 / 隐式动作）——这是"四层栈"能不能成立的技术总纲。
- 每类数据的边际贡献：做消融/曲线，量化"每类数据带来的泛化增益"，回答"到底该多采哪类"。
- 配对比比：human↔robot 配对要多少、怎么造最省（ImitatorGame 给的是 10 条 + 规模）。
- 世界模型当数据乘数：仿真/世界模型生成的边界与失败数据，能否替代部分遥操？省多少？
- 数据质量提纯：SIEVE 选择、SoftVTBench 物理真值、手感反馈——"留哪些丢哪些"。
四、落地到 arxivReader
- 抓取已按"数据集/基准/仿真 + 数据引擎/众包/跨本体"双轨道跑；从这里持续补充四类的代表性 + 前沿论文。
- 精读标准：优先回答上述 5 个北极星问题的论文；每篇落在"它属于四层栈哪一层、帮训练哪个机制"。
- 成果沉淀：本纲领 + 各数据源的证据清单 → 持续更新进飞书
EGO && UMI。