乐聚机器人正式发布 LET2.0 多机一致性真机数据集。
依托万台级人形机器人产线与规模化训练场，首次实现同型号机器人真机数据跨机合并训练与复用，打破 "一机一用" 局限，提升具身模型训练收敛速度，降低场景落地开发成本，推动真机数据从 "一机一用" 升级为 "多机复用"。
01 让真机数据从 "一机一用" 走向 "多机复用"
同型号机器人的装配公差、关节零位和相机位置差异，会影响真机数据一致性，导致具身模型学习收敛慢、跨机部署难。LET2.0 通过建立统一标定、采集标准及质检追溯体系，实现多机数据合并训练与跨机复用，并依托万台级产线和规模化训练场持续验证，支撑模型训练与部署。
统一标定：校准关节零位、坐标和相机位置，建立多机共同基准。
统一数据：对齐多机、多批次数据口径，确保图像、动作与状态对应，支持合并使用。
跨机复用：保留身体姿态调整、重心转移与手部操作之间的自然配合逻辑。
核心价值：
用数据规模显著扩大
不同机器人采集的数据可在统一的数据标准与任务定义下汇聚使用，减少按设备重复处理和训练的工作。
跨机数据与能力复用
已有数据、模型与任务经验可跨设备复用，减少重复采集、训练和调试投入。
训练结果更具泛化性与稳定性
模型更聚焦于可迁移的任务完成逻辑，并降低对单台机器人个体差异的过度依赖。
落地周期显著缩短
通过减少重复采集、训练与调试环节，加快新机器人和新场景的上线验证与应用落地。
LET2.0 已开放首批数据集申请，并完成多机一致数据模型跨机评测：
首批开放 2000 条 KUAVO 真机数据，覆盖中型快递袋拾取、开关工件分拣两项工业任务。两台标定后的 KUAVO 5W 机器人跨机交叉验证结果高度相近：包裹分拣成功率分别为 88.9%、86.1%，验证了同一模型跨本体复用的可行性。
数据有效性不再依赖单台采集机器人，为规模化数据复用、跨机部署奠定基础。
真实任务样例 1：
中型快递拾取
真实任务样例 2：
开关工件分拣
结论：跨机评测结果显示，同一模型在不同机器人上性能稳定、表现一致，验证了 LET2.0 数据集的一致性质量。
02 LET2.0 数据覆盖多场景、多任务、多模态
LET2.0 覆盖家庭服务、商业服务、工业操作和仓储物流等场景，包含收纳清洁、物品分拣、拆垛码垛、产线上料及工具操作等真实任务。数据分为基础操作、全身运控和力觉触觉三类，每条真机数据完整记录姿态、轨迹、视觉与深度信息，以及头部和手部状态。
图丨真机样例数据
结论：LET2.0 既覆盖多类真实场景和任务，也提供多模态执行信息，为不同具身任务的训练与验证提供真机数据基础。
03 采集规范：统一要求保障多机数据操作规范一致性
围绕任务场景、设备标定、动作执行和视频画质明确采集要求，规范工位与道具准备，确保任务过程完整、多视角覆盖关键动作，全程保留设备与批次记录；物体位置、背景与光照按任务要求设置可变范围。
图丨数据采集功能界面
结论：全机全批次执行统一采集规范，是保障多机数据可合并复用的核心基础。
04 标注规范：统一动作语义为模型明确起止边界
按统一规范将任务过程拆分为动作技能段，按时间或逐帧标明动作起止位置，完整保留失败、重试及相关语音信息。以任务包为单位开展抽检，对不合格任务包进行返修，减少不同人员、批次之间的标注偏差。
图丨逐帧标注功能界面
切分原子技能边界
从动作开始到技能完成作为一个完整技能段。
按时间或逐帧标注
支持按时间、图片逐帧标注，最小标注误差控制在 1 帧内。
失败（重试）过程规范
可分段记录语音（如有）、起始动作、失败轨迹和重试动作。
严格质检规范
数据量不少于 100 条：抽检 10%；不足 100 条：抽检 20%；抽检合格率不足 90%：整包返修。
结论：统一动作语义与切分规则，让多机数据按统一的原子动作划分完成训练与复核，避免不同批次数据的标注逻辑偏差。
05 数据使用：从申请到训练、部署与评测
开发者可通过 OpenLET 社区完成从数据申请到训练、部署、评测的完整链路，形成 "数据 — 模型 — 本体 — 评测" 闭环，省去数据格式转换与开发环境适配：
开发者通过 OpenLET 社区获取数据与工具链，快速开展实践、参与官方评测并完成真机校验。目前平台已通过系列赛事沉淀一批核心开发者，为数据迭代、工具优化与社区生态建设奠定基础。
（来源：乐聚机器人）