BEV 杀入具身智能：跨维把机器人数据带上 Scaling 快车道

具身智能现在面临的问题，和自动驾驶几年前的困境非常相似。

过去几年，自动驾驶行业已经证明了一件事：谁先把真实物理世界组织进统一的数字空间，谁就先拿到规模化的入场券。

但当年，这件事并不是一开始就想明白的。

早期的纯视觉多相机方案，每个相机自己感知自己的，前摄看前面、侧摄看侧面，各出各的检测结果，再拼到一起交给规划系统。问题是，拼出来的东西在图像坐标里，不在物理世界里。视角一变、光线一变、场景一变，性能就掉。数据堆得越多，各自为政的混乱局面就越严重。

BEV，Bird’s-Eye View，就是那把钥匙。它真正改变行业的地方，不是给了工程师一张“鸟瞰图”，而是把多相机、多传感器、多任务输出，统一压进了一个可被规划系统直接消费的物理坐标系。自动驾驶因此完成了一次关键跃迁：从在图像里猜世界，到在物理空间里理解世界。

今天，具身智能正站在同一个路口。机器人数据来自不同相机、不同本体、不同坐标系、不同操作者。没有统一空间，数据堆得越多，就越混乱——不是规模化，是熵暴。

跨维智能提出的 Dexterity-BEV，正是要在具身智能里重做一次这样的重构：把视觉输入、机器人状态和目标动作，对齐到同一个参考系里，让机器人数据第一次真正具备可规模化训练的空间底座。这可以被看作是一次把 BEV 方法论系统性推进到具身智能数据基建层的尝试。

无秩序的Scale，只会演变为熵暴

今天的具身智能行业非常热闹。

机器人本体不断推陈出新，新的数据集接连发布，新的遥操作系统、人类第一视角数据、仿真与生成数据也在快速增长。显然，行业正在进入一个数据快速扩张的阶段。

文本可以被统一组织成 token，图像也有相对稳定的数据范式，但机器人数据和文本、图像不同。机器人数据天然异构，以机器人一条操作数据举例，可能同时包含多视角图像、深度、相机参数、关节状态、末端轨迹、语言指令、任务成败和真实反馈等多种维度的信息。更何况各机器人本体规格不一，数据集坐标系互不统一，相机采集视角存在差异，操作人员动作节奏也各不相同；更为复杂的是，UMI、Egocentric等全新数据采集范式还在持续涌入。人类的身高、臂展、视角和动作习惯，本质上也像一种新的“异构本体”，进一步放大了数据之间的差异。所以，具身智能面临的并不是单一的“数据量问题”，而是一个更棘手的双重难题：一方面，高质量真实交互数据仍然稀缺且昂贵；另一方面，已经采集到的数据又高度异构，难以互通、难以统一训练、难以跨机迁移。

这正是具身智能正在面对的现实：行业既需要更多数据，也需要一种把数据变成可训练、可迁移、可复用资产的底层秩序。如果缺失统一秩序，数据扩张并非正向规模化 Scale，只会走向熵暴（entropy explosion）。

Dexterity-BEV：

01 给具身智能装上“统一空间坐标系”

Dexterity-BEV 的思路非常直接，也非常狠：把多来源、多视角、多本体的机器人数据，统一对齐到一个 BEV 三维空间里。

这不是简单把多视角图像拼起来，也不是做一个笨重的三维重建系统。Dexterity-BEV 的关键，是构建一个统一 BEV对齐坐标系，让不同相机看到的物体、空间关系和操作目标，都能被放进同一个俯视参考空间。

可以把它理解成一个“虚拟正交相机”。不管真实相机装在哪里、从哪个角度拍、机器人从哪个方向看，最终数据都会被转化到同一个俯视空间里。这样，同一个物理任务就不再是一堆互不兼容的二维图像，而是同一物理世界中的可学习表达。

这一步的意义很大，过去很多 VLA 模型看起来学会了任务，但一旦相机视角变了、机器人基座动了、场景布局变了，性能就会明显掉。原因很简单：模型学到的不是物理规律，而是某个固定视角下的图像模式。

Dexterity-BEV 要做的，就是把模型从“看图猜动作”拉回到“在三维空间里理解任务”。

02 它不是放弃 2D 大模型，而是给 2D 大模型补上 3D 坐标

这也是 Dexterity-BEV 最值得讲的地方。

具身智能行业现在有一个两难：纯 2D VLA 有语义能力，但空间不够；重型 3D 方法有几何信息，但成本高、训练难，也不容易复用已有 2D VLM 的能力。

Dexterity-BEV 没有选择推倒重来。它保留多视角 RGB 输入，继续复用成熟的二维视觉编码器和视觉语言模型，同时通过 顶点图（vertex map） 和 顶点谱（vertex spectrum），给每个视觉 token 注入三维空间位置。

换句话说，它不是重新造一个昂贵的 3D 系统，而是在已有视觉模型体系上补了一层机器人最缺的东西：空间坐标。对于有深度信息的设备，它可以利用深度图和相机标定生成像素级三维顶点表示；对于更常见的纯 RGB 相机，它可以通过顶点谱机制，为每个像素构建一组三维位置假设，再编码进视觉特征中。

这就像给二维图像接上了一套三维物理骨架。语义能力保住了，空间理解补上了，工程成本也没有被打爆。这才是能 scale 的 3D。

03 不只对齐视觉，还对齐动作

如果 Dexterity-BEV 只是把图像对齐到 BEV 空间，那还不够。机器人数据真正难的地方在于：动作也不统一。

不同机器人本体差异巨大。一个 Franka，一个双臂平台，一个半人形机器人，即使执行同一个任务，关节轨迹也完全不同。如果模型直接学关节角，基本就被硬件绑死了，Dexterity-BEV 的处理方式，是把动作从具体关节里解放出来。

它不让模型只学习“某个关节转多少度”，而是学习末端执行器在统一 BEV 空间中应该去哪里、以什么姿态接近物体、如何移动、如何完成任务。

更关键的是，这些末端执行器位姿不是随便表达的，而是被进一步对齐到前面提到的统一 BEV 对齐坐标系中。

这就形成了一个非常漂亮的闭环：视觉输入在 BEV 空间里，机器人状态在 BEV 空间里，目标动作也在 BEV 空间里，输入和输出第一次被放进同一个物理坐标系统。这才叫真正的感知—动作对齐。

通俗点说，Dexterity-BEV 给不同机器人、不同相机、不同动作提供了一把共同的“空间尺子”。过去各说各话的数据，现在终于能用同一种物理语言交流。

具身数据还有第三种混乱：时间。

同一个任务，不同操作者做得快慢不同；不同机器人执行速度不同；有的人中间停顿，有的人动作连贯。这些差异很多时候并不代表任务本质，但会让模型训练变得更难。

Dexterity-BEV 在数据管线中加入了跨轨迹时序对齐机制，对不同机器人、不同操作者、不同数据集里的轨迹进行时间尺度规整。它不是要抹掉任务动作结构，而是尽量减少“谁操作得快、谁操作得慢”这种无意义差异，让模型更专注于学习任务真正的关键动作顺序和空间关系。

所以 Dexterity-BEV 做的不是单点优化，而是一套系统性数据基建：空间对齐、动作对齐、时序对齐、数据管线对齐。

Dexterity-BEV 实测验证强泛化能力

Dexterity-BEV 的实验设计也很有意思。它不是只在固定场景里刷一个好看的分数，而是专门去测那些传统 VLA 容易翻车的情况：相机视角变化、机器人基座扰动、场景布局变化、跨机器人平台迁移。

在仿真中，Dexterity-BEV 在 LIBERO 和 RoboTwin 2.0 上与 π0、X-VLA 等强基线对比。尤其在相机视角、机器人基座和场景布局被大幅扰动的设置下，传统 2D VLA 方法成功率明显下滑，而 Dexterity-BEV 仍能保持稳定表现。

在真实机器人上，Dexterity-BEV 也覆盖了四类双臂平台和多个长程任务，包括折叠纸盒、折布、舀爆米花、递书等。这些任务不是简单抓取放置，而是涉及刚体、柔性物体、颗粒物、双臂协同和人类交互的复杂操作。

[BEV视频_终0609.mp4]

这类任务更接近真实世界，也更能暴露模型到底是在“记画面”，还是在“理解物理”。

Dexterity-BEV 的结果说明了一件事：当机器人数据被放进统一空间，模型的泛化才真正有了基础。

BEV 进入具身智能，打通Scaling关键路径

笔者认为， Dexterity-BEV 最重要的意义，不只是一个模型效果提升，更像是具身智能从“堆数据阶段”进入“建数据秩序阶段”的标志。

过去行业很热衷讨论：谁采了更多小时数据，谁有更多机器人，谁做了更多任务。但如果这些数据不能统一训练、不能跨机迁移、不能复用到新场景，数据规模越大，反而越像一座座孤岛。

Dexterity-BEV 提供的是另一种思路：先建立统一物理空间，再谈数据规模化。这和自动驾驶当年 BEV 范式带来的变化非常像。BEV 让自动驾驶从多相机图像感知，走向统一空间理解；而现在，Dexterity-BEV 正在尝试让具身智能从杂乱的机器人轨迹，走向统一的感知—动作物理表达。

如果说过去具身智能还在“看见世界”，那么 BEV 进入之后，它开始有机会“组织世界”。这可能是具身模型真正 scale 之前，必须补上的一层数据基建。

具身智能的下一阶段，不会只是模型更大、数据更多、机器人更贵。

真正决定行业能不能跑起来的，是数据能不能被统一，动作能不能被迁移，经验能不能跨机器人复用。

Dexterity-BEV 的价值就在这里：它不是只做一个更强的策略模型，而是试图为具身智能建立一套可规模化的数据秩序。

从这个角度看，BEV 杀入具身智能，不是一个普通技术点，而是一次补课。

自动驾驶吃到过的 BEV 红利，现在轮到机器人了。

而跨维智能这次做的，就是把具身智能真正推上 Scaling 快车道之前，先把路修好。

-本文系量子位授权转载-

版权所有，未经授权不得以任何形式转载及使用，违者必究。