EGO 数据线 · Danfei Xu 组主线 roadmap
目标：把 Danfei Xu（徐丹飞）组主推的 EGO 线路（人体第一视角数据 → 机器人训练）全部论文按时间/主题排成 roadmap， 作为后续建立「EGO 数据线分析」的底图。全部元数据经 arXiv 逐篇核验（id/title/日期）。
一、时间线（主线脉络，精度核验过）
| 时间 | id | 论文 | 在 EGO 线里的角色 |
|---|---|---|---|
| 2021-08 | 2108.03298 | What Matters in Learning from Offline Human Demonstrations | 种子：系统研究离线人类示范学习的瓶颈 |
| 2023-02 | 2302.12422 | MimicPlay (Long-Horizon IL by Watching Human Play) | 起点：人类"玩耍"视频 → 隐式潜在计划(play latent) → 分层 IL |
| 2023-10 | 2310.16917 | MimicTouch (Multi-modal Human Tactile Demos) | 触觉线：人手触觉示范 → 接触密集策略（补视觉-触觉孔） |
| 2024-10 | 2410.24221 | EgoMimic (Scaling IL via Egocentric Video) | 命名锚：EGA 采集体(Project Aria)+低成本双臂+跨域对齐+人机共训 |
| 2025-09 | 2509.19626 | EgoBridge (Domain Adaptation for Ego IL) | 对齐：OT 度量对齐人/机策略潜在空间 |
| 2025-09 | 2509.04443 | EMMA (Scaling Mobile Manip via Ego Human Data) | 移动线:人全身动作+静态机器人共训,绕开移动遥操 |
| 2026-02 | 2602.16710 | EgoScale (Dexterous with Diverse Ego Human Data) | 缩放律：20,854h ego 视频 → VLA，log-linear 缩放律(20倍于前作) |
| 2026-02 | 2602.22461 | EgoAVFlow (Active Vision from Ego) | 主动视觉：共享 3D flow 表示，换体无机器人示范 |
| 2026-04 | 2604.07607 | EgoVerse (Egocentric Human Dataset, Around the World) | 数据平台：1362h/80k 回合，社区化众包数据基建 |
| 2026-06 | 2606.12604 | EgoEngine (Ego Videos → High-Fidelity Dexterous Robot) | 翻译引擎：ego 视频→高保真机器人观测视频+任务对齐动作 |
| 2026-06 | 2607.00033 | CHORD / ContactWrench (Contact Wrench Guidance from Human) | 物理/接触线：物体中心的接触力-力矩空间做 RL 引导 |
| 2026-07 | 2607.08436 | EgoWAM (World Action Models Beyond Pixels, In-the-Wild Ego) | 前沿：用"世界目标"作监督,抽象外观/体不变物理/分离相机运动 |
另一条平行的人→机迁移/VLA 体涌现支线：2512.22414 Emergence of Human→Robot Transfer in VLA（scale 下自然涌现）。
二、EGO 数据线 · 分层技术栈（科学视角刻画）
人力 EGO 视频（海量、多样、廉价）
│
L0 采集/Capture ── Aria 眼镜(EgoMimic) · 全身(EMMA) · 社区平台(EgoVerse)
│
L1 机器人协同设计 ── 为"接得住人数据"而造本体(EgoMimic 低成本双臂,最小化运动学gap)
│
L2 表示/对齐 ── play latent(MimicPlay) · OT潜在对齐(EgoBridge) · 跨域对齐(EgoMimic)
│
L3 缩放律 ── EgoScale 20k h log-linear 律（用量的经济学）
│
L4 翻译/补全引擎 ── EgoEngine(视觉+动作双补全) · EgoAVFlow(主动视觉3D flow)
│
L5 世界/物理 ── EgoWAM(世界表示) · CHORD(接触力-力矩)
│
机器人可训练监督（可执行、物理可信、可跨本体）
L0 采集 —— “把采集成本结构打下来的基建”
- EgoMimic：用人体工学的 Project Aria 眼镜采 ego 数据，产"人本体表征数据"(ego视频+3D手追踪)。
- EgoVerse：社区化数据平台——统一采集/处理/访问，个人/实验室/企业都能贡献；当前 1362h/80k 回合。它是"EGO 数据奥运"的基建层（对应我此前 AXIS/Open-AoE 那类平台的 EGO 变体）。
- EMMA：不采椅子式遥操，改采人全身移动操作数据（拿到移动动作，绕开移动遥操的成本高墙）。
L1 机器人协同设计 —— “让硬件来迁就人数据，而不是反过来”
- EgoMimic 的核心主张我最看重：不是事后 retarget，而是专门造一个与人类运动学 gap 最小的低成本双臂本体。这把"数据→策略→放下跑"的适配税从算法层挪到硬件层一次付清——是 UMI 哲学在 ego 侧的镜像（UMI 用夹爪手持顺人，EgoMimic 用眼镜+低gap双臂顺人）。
L2 表示 / 对齐 —— “EGO 线真正的立身之本”
- MimicPlay：人类 play 数据学隐式潜在计划(play latent/VLC)，把"人类怎么组织任务"传下去，再用少量机器人示范收敛低级动作。视觉-语义上行、动作-本体下行。
- EgoBridge：用 Optimal Transport 度量拉近人/机策略潜在空间，同时保住动作相关信息——直接回应"视觉/传感/运动学三重领域差"。
- EgoMimic：跨域对齐 + 人机共训，把 ego 数据当一等公民与机器人数据合训。
L3 缩放律 —— “EGO 数据的经济学证据（最硬）”
- EgoScale：在 20,854 小时动作标注 ego 人视频上训 VLA（>20× 前作），挖掘出人数据量 vs 灵巧操作表现的 log-linear 缩放律。这是"数据×训练"纲领最想要的那条曲线——直接证明 EGO 数据供给是一条可预测的规模曲线，不是玄学。
L4 翻译 / 补全引擎 —— “把缺口填成可训监督”
- EgoEngine：给定 ego RGB 视频，产 (i) 高保真机器人观测视频(换人保机、保留场景/时序对齐) + (ii) 任务对齐动作。它是"视觉 gap + 动作 gap"双缺口的一次性翻译机——和 RoboEdit 同谱，但 Danfei 是"自家 ego + 自家本体"的闭环高保真版。
- EgoAVFlow：人 ego 的视角是先验带偏的（人类头部习惯 ≠ 机器人相机需要），于是用共享 3D flow 表示同时学操作与主动视觉，机器人端不需要示范即可迁移。
L5 世界 / 物理 —— “超越行为克隆的前沿”
- EgoWAM：行为克隆把"可迁移内容(物体/场景/任务语义)"和"不可迁移因素(人类形态/头动/风格)"缠在一起。它主张用世界动作模型(WAM)当监督：要求策略不仅预测动作、还预测场景如何演化。核心命题：什么样的世界表示最能促成人→机迁移？ → 应抽象外观、捕获体不变物理效应、把相机运动与环境变化分离。这是这组 roadmap 的思想终点。
- CHORD：接触密集灵巧用物体中心的接触力-力矩空间表示人/机动作，用"对物体诱导的瞬时运动"度量相似性——把"物理/接触可信"变成 RL 引导的通货（呼应我证据清单里的物理/接触线）。
奠基支线 · 人→机迁移是否随规模涌现
- 2512.22414 TransferVLA：问"VLA 是否像 LLM 一样，在 scale 下从多种监督里自然学会人→机映射"——用简单共训在规模下看涌现。这是从"手工对齐"到"规模涌现"的路线之争，是 EGO 线下一步的最大赌注。
三、科学家视角 · 核心 Insight（判断，不是复述）
I1 · EGO 数据线的瓶颈在读谱式移动：采集(L0)→对齐(L2)→缩放(L3)→世界表示(L5)。 看时间线就清楚作者们自己把难点一路往上搬：MimicPlay 还在"怎么用 play 数据"(表示)，EgoMimic 在"怎么采+怎么对齐"，EgoScale 在"量够不够/缩放律"，EgoWAM 已到"用哪种世界表示才最可迁移"。一个组 5 年自查式推进，本身就是研究纲领最可信的证词。
I2 · 缩放律是"EGO 数据线"成立的第一性证据。 EgoScale 的 20,854h log-linear 律，是这条线上最硬的一张牌——它把"EGO 数据能否规模化"从观点变成可外推的曲线。它的隐含前提是"动作标注的 ego 视频"（要能训 VLA），这提醒：纯被动 ego 视频的"标注成本"藏在 L2/L4（对齐/扩增）里，缩放律成立与否取决于对齐/翻译引擎先到位。
I3 · “硬件迁就数据,而不是数据迁就硬件”是 Danfei 系的签名。 EgoMimic 造低-gap 双臂、UMI 造手持夹爪、KoalaGripper co-design——这条系的共同哲学是让采集体/本体去贴近人，把"适配税"一次性在硬件/采集体设计时付掉，而不是每次在算法层重付。做 EGO 数据线的采集端，复刻这条哲学比加算法更值钱。
I4 · 表示是迁移的上限决定者，且正在从"动作空间"朝向"世界表示"。 从 action space 一路到 EgoWAM 的世界表示，Danfei 系把迁移杠杆从"动作怎么表示"抬到"世界怎么表示(体不变物理/几何)"。这跟我"统一动作空间"专题的终局判断一致：最终的做法是让策略学一个 agent-invariant 的世界/物理模型，动作只当其微分（world model 做重心，动作做投影）。
I5 · 物理/接触是未闭环的硬骨头（最诚实的判断）。 EgoScale 证明"量"有效，但接触密集任务的"接触可信"仍要靠 CHORD 的力-力矩空间或 MimicTouch 的触觉补。ego 视频天生不直接携带力/接触真值（视觉重建拿不到摩擦）——这条线到今天我仍判断："量化亲和的前沿 + 显式接触/物理监督" 必须合流，EGO 线才算完整（呼应我此前周报里"统一动作空间缺物理/接触可信"）。
I6 · 平台化(EgoVerse)是把"数据线"变成"数据生态"的最后一环。 单组产能有天花板，EgoVerse 的社区化把采集从"一个组"放大到"全世界"。它和 AXIS/Open-AoE 一起指向：EGO 数据的胜负手之一是"供给的组织方式"，不止是单点算法。
四、给「EGO 数据线分析」的落地框架（下一步）
- 采集端：复刻 Danfei 系"硬件迁就人"哲学；评估 EgoVerse 平台能否作为自采+社区双轨。
- 表示/对齐端：把 EgoBridge(OT对齐)/EgoMimic(跨域对齐) 作为 ego→机器人 的对齐基准；与统一动作空间(JAAS/UCAG-P)做接口对照。
- 缩放端：用 EgoScale 的缩放律作为"EGO 数据×训练"的量化锚；设计"对齐成本 vs 训练收益"的边际曲线实验。
- 世界端：EgoWAM 的世界表示命题，是我"体不变世界模型"路线的最直接参照系，建议作为专题延伸。
- 物理端：把 CHORD(力-力矩)/MimicTouch(触觉) 接入，验证"量化亲和 + 显式接触"合流。
- 评测：对比"纯被动 ego"(Open-AoE/EgoVerse 未标注)vs"动作标注 ego"(EgoScale) vs"翻译引擎产物"(EgoEngine)三类监督的迁移收益——这一对照实验是该数据线分析的轴心。