具身智能技术是人工智能第一次从屏幕走向物理世界，是打造新质生产力的革命性技术。但当前的具身数据采集技术或成本过高、或质量不佳，数据的极度匮乏直接阻碍了具身智能技术的发展。
枢途科技在2025年世界机器人大会完成自研SynaData数据管线全球首发，率先实现将互联网RGB视频转化为多模态、高精度的具身通用训练数据，为具身智能提供海量高质量训练数据。
SynaData数据管线重磅发布：颠覆行业具身数据采集方式
SynaData由枢途科技Synapath.AI研发团队基于多年技术沉淀推出，是全球首个实现从互联网RGB视频提取具身训练数据的全链路数据管线解决方案。该系统实现了视频数据升维、跨域retargeting等技术突破，批量化从视频中提取多模态具身通用训练数据，将具身数据的综合采集成本降为行业平均水平的千分之五。
以"拿取外卖袋"任务为例，SynaData从海量人手拿取袋装物体视频中批量提取出人手及物体轨迹、物体mesh等具身数据，并用于模型训练。该数据集训练的抓取模型对外卖袋的抓取成功率提升至88%。
机械臂通过大量视频数据学会抓袋子
SynaData视频具身数据领先行业实现了第三方具身模型验证，目前已成功应用于清华RDT、PI π0、智元UniVLA、EquiBot等主流VLA模型，推动具身智能训练从"手把手教学"奔向"观看教学"新范式。
技术突破：攻克视频数据转化核心挑战
视频记录真实的物理世界，蕴含丰富的物理信息、空间信息及交互信息，是具身智能训练的数据宝库。然而受到拍摄设备多变、空间数据缺失、拍摄视角变化等限制，视频提取轨迹及其他多模态数据始终存在精度不足等各类问题。
SynaData毫米级轨迹提取及跨域Retargeting技术
枢途SynaData系统通过四大创新模块，解决行业长期痛点：
毫米级轨迹提取引擎：针对单目视频深度信息丢失（人手抓取姿态误判率超40%）和物体自遮挡问题，系统结合海量先验知识库，实现数据升维真实性和轨迹复原的准确性。例如，在餐具分拣测试中，轨迹重建误差从传统方法的±5厘米降至±0.5厘米。
跨域Retargeting：动态结构适配算法，实现跨形态高精度运动重定向，将模仿学习误差降低超50%，任务成功率提升40%，大幅降低human to humanoid迁移成本。
动力学参数扰动策略：解决人体动作与机器人动力学代差（如机械臂震颤），通过虚拟环境补偿机制，实现动作跨本体迁移。在仿真验证中，迁移成功率高达98%，较基线提升40%。
真实物理属性约束：解决在仿真环境中缺乏物理属性（摩擦力、惯性、重力加速度等）约束问题，确保机器人能够以真实世界的物理形态操作。
利用网络视频训练人形机器人动作
行业影响：重塑数据驱动新生态
SynaData的推出将引领具身智能进入"百亿数据训练"新时代，枢途科技CTO林啸表示："数据决定上限，模型逼近上限。数据是决定具身模型能力边界的核心，SynaData让机器人得以利用海量的视频数据，通过'观看'人类视频学习技能，真正突破具身模型Scaling Law。"
SynaData视频具身数据提取
目前 SynaData已经完成了全管线跑通，已处理数千小时多场景视频，产出涵盖抓取、放置、组装等逾百种任务场景的数据集。
在SynaData的赋能下，互联网视频及现实世界将被低成本、批量化地转化为机器人学习的数据宝库，真正突破具身智能scaling law，突破物理AI的能力边界。
展示提包的互联网视频转化为训练机器人拎包的数据
未来，枢途科技将从三个方面拓展视频数据采集的技术边界：
精度升级：通过引入动态遮挡建模和多视角重建机制，将各模态重建平均精度从目前的5毫米级进一步压缩至2毫米以下，满足更多模态支持需求；
泛化扩展：持续扩展支持的机器人本体数量至100种以上，适配包含人形机器人、多类型灵巧手、协作机械臂，AGV、AMR等各类结构；
生态共建：计划于2025年四季度发布首个基于真实场景视频的多模态具身开源数据集，与NVIDIA Isaac等仿真环境伙伴共建具身数据基础设施。
链博会英伟达NVIDIA展台展示SynaData技术
枢途科技致力于以前沿数采及模型技术加速具身智能发展，驱动更多机器人进入复杂场景打造新质生产力，Make Robots Work。
在SynaData加持下，物理世界视频将成为具身智能训练的数据宝库，加速构筑机器人空间认知及自主决策的数据基础。枢途科技CTO林啸强调："该系统将解锁视频'数据富矿'，推动具身智能从实验室走向千行百业，真正实现具身智能机器人的新质生产力革命。"
