ACE補齊具身數據

具身智能（Embodied AI）正面臨嚴重的數據瓶頸。模型必須同時理解第一人稱視角、全身動作、精細操作、物體狀態、聲音與觸覺，這些訊號還必須隨著人類在現實環境中執行目標而同步演化。然而，現有數據集往往只在單一視角、單一模態或單一空間尺度下紀錄，導致完整的感知-動作迴路僅能被部分觀測。為了解決這個問題，來自南洋理工大學、商湯科技等機構的研究團隊推出了「ACE（Ambient Capture Engine）」，一個以人為中心的環境數據引擎，能將真實家居空間轉變為空間校準、時間同步的錄製工作室。ACE 系統以兩種互補的尺度運作。

在桌面尺度（table-scale）配置下，系統專注於記錄手部與物體的精細互動，能夠解析握持、旋轉、按壓等細微操作；而在房間尺度（room-scale）配置下，系統則能捕捉全身動作、移動軌跡以及人在裝潢完整的家居環境中與各類物品的互動過程。兩種尺度共享同一套時空坐標系統，使得數據可以無縫對齊與融合。在數據收集方面，ACE 同時記錄多種模態訊號，包括第一人稱（egocentric）與多視角第三視角（exocentric）影片、全身與關節手部動作、物體幾何與六自由度軌跡，以及音訊與觸覺訊號。這些訊號被統一整合成多感官串流，確保每一幀畫面都對應到精確的運動學與接觸資訊。

研究團隊利用 ACE 系統建構了 ACE-Data-0 數據集，總時長達 150 小時，包含 1700 萬幀影片，涵蓋 200 個任務類別，由 50 位參與者在 2 個不同環境中執行，總共產出 75,000 個互動片段。ACE-Data-0 的任務涵蓋三個層級：原子級操作（如拿起杯子、轉動開關）、長鏈家務活動（如煮飯、整理房間），以及人-場景互動（如坐在沙發上、打開抽屜）。為了保留人類自然行為的多樣性，研究團隊採用「目標層級」而非「步驟層級」的指令，讓參與者自行決定如何達成目標，而非遵循固定的步驟順序。這使得數據集內的行為變異更貼近真實世界。

為了評估現有模型在這種豐富數據上的表現，團隊進一步設計了層次化基準（hierarchical benchmark），從低層訊號（如觸覺、深度）、中層場景元件（如物體姿態、手部關節），到高層互動（如動作序列、任務成功與否）進行分層測試。他們對當前最先進的模型進行評估，結果揭示了在接觸、遮擋、自我運動以及長時域任務下，現有方法仍存在顯著不足。具體而言，模型在處理手與物體接觸時的細微力回饋、物件被遮擋時的追蹤、第一人稱視角因頭部移動造成的畫面劇烈變化，以及持續數分鐘的長鏈任務時，表現大幅下滑。

這顯示 ACE-Data-0 所提供的同步人類示範——包含對齊的感知、運動學與接觸監督——對於訓練更強大的模仿學習、世界模型、視覺-語言-動作系統以及具身智能模型，具有重要的基礎價值。ACE 系統的設計出發點，是將真實家居環境改造為可重複使用的數據生產設施，而非傳統的實驗室或模擬器。這使得數據收集能在更自然的場景中進行，同時保持嚴格的同步與校準。團隊強調，ACE-Data-0 僅是 ACE 系列的第一個公開數據集，未來將持續擴展環境數量、參與者多樣性與任務複雜度，為具身智能領域提供可擴展的數據基礎。該研究成果已發表於 arXiv（論文編號 2607.28625），並開放專案頁面與數據集下載。

隨著具身智能從模擬環境走向真實世界，ACE 這類能夠補齊「感知-動作」完整迴路的高品質數據引擎，將成為推動機器人學習與通用人工智慧進展的關鍵基礎設施。