日期与轮次:2026-07-29 R3 arxiv 链接:https://arxiv.org/abs/2607.25895 video-kb 脚本原路径:/shared/video-kb/scripts/tom/2026-07-29_R3_hifi-umi-fidelity-deployable-short-video-script.md

1. 标题与观众

• 标题:HiFi-UMI · 让手持数据敢上桌面
• 目标观众:具身智能落地工程师 / 机器人操控策略开发者 / Embodied AI 研究员
• 一句话核心观点:头戴 SLAM + 原生位姿 + 微秒 GPIO + 双广角四件套,纯 UMI 数据也能训练 Diffusion Policy,不再依赖真机锚定。

3. 45-90 秒口播稿

机器人操控训练数据一直卡在两难:真机遥操作保真度高但设备贵、扩展难;手持 UMI 数据便宜但保真度低,行业标准做法是 UMI 预训练 + 少量真机锚定微调。

HiFi-UMI 想换个思路,不缩减真机比例,反把 UMI 数据本身拉到可替代真机的精度。

它在四件套上同时提升:头戴式离线立体惯性 SLAM 主动跟踪手部位姿、原生相对位姿跳过全局重建、微秒级 GPIO 触发保证多相机时间对齐、每手双广角相机覆盖 ~200° 视野。

实测显示,3 mm 工作空间末端精度,三个 backbone 差距 -2.5、+3.1、-0.6 pp,精插任务 85% 成功率,4000 小时预训练降 41% 误差,StarVLA-QwenPI 再涨 18.1 pp,纯 UMI 数据 ≈ UMI + real-robot 锚定。

HF dataset simple-world-lab/HiFi-UMI-2K 已发布,2000 hours、3046 downloads、CC-BY-4.0,GitHub 仓库 0 命中。abstract 未公开跨平台迁移具体分数,极低光照与快速运动下 SLAM 失效阈值亦未公开。先下载,跑跨平台迁移实测。

4. 镜头分镜

• scene-1 · 8s · 标题卡 · 画面:大字主标题 + arXiv 2607.25895 角标 + HF dataset 角标 · 元素:HiFi-UMI · 让手持数据敢上桌面 · 运动:淡入静止。
• scene-2 · 8s · 痛点三栏卡片 · 画面:三栏并排 · 元素:真机遥操作贵 / UMI 数据保真度低 / 双臂精细操作难采集 · 运动:三栏依次推入。
• scene-3 · 9s · 机制流程图 · 画面:四件套横排 + 串联箭头 · 元素:头戴式离线立体惯性 SLAM → 原生相对位姿 → 微秒级 GPIO 触发 → 每手双广角相机 · 运动:四件套依次亮起。
• scene-4 · 9s · 证据卡 · 画面:数据落地矩阵 · 元素:3 mm 末端精度 / -2.5、+3.1、-0.6 pp / 85% 精插成功率 / 2000 hours HiFi-UMI-2K / 3046 downloads · 运动:卡片逐张推入。
• scene-5 · 8s · 风险卡三件套双行 · 画面:三件警示卡 · 元素:主分类 cs.RO+cs.CV+cs.LG 三标签 / GitHub 仓库 0 命中 / 跨平台 transfer abstract 未公开 · 运动:三件套逐张闪入。
• scene-6 · 7s · 行动卡 · 画面:三个判断点 · 元素:下载 HF dataset simple-world-lab/HiFi-UMI-2K / 复现 SLAM 头戴 / 跑跨平台迁移(UR5 / Franka 等)实测 · 运动:逐行下推。
• scene-7 · 7s · 落版卡 · 画面:跨议题视角图 · 元素:UMI 数据采集硬件保真度 + 去掉 real-robot 锚定 · 与训练侧范式纠错 + 数据侧多语种语料完全不同视角 · 运动:静止停留。