核心结论
Rerun 和 Foxglove 已经成为 Physical AI、机器人和自主系统数据工具领域最直接的竞争者之一，但二者的出发点并不相同：
Foxglove 更像“机器人可观测性、机器人Fleet数据管理与远程调试平台”；Rerun 更像“面向 Physical AI 的统一数据模型、可视化与训练数据层”。
截至2026年7月，两者正在明显靠近：
- Foxglove 从 ROS 数据可视化和机器人运维，向海量数据搜索、训练集筛选扩展；
- Rerun 从代码内可视化工具，向数据查询、变换、PyTorch训练和云端数据平台扩展。
因此，它们已经不只是两个 Viewer 的比较，而是两种 Physical AI 数据基础设施路线的竞争。(Foxglove Docs)
一、两家公司的基本定位
Rerun
Rerun 当前将自己定义为 “Physical AI 的数据层”，希望用统一的数据模型覆盖：
数据采集
↓
存储
↓
可视化
↓
查询与变换
↓
数据集构造
↓
模型训练
其主要产品包括：
- 开源 Rerun SDK；
- 开源 Rerun Viewer；
.rrd文件格式；- 本地 Catalog；
- 实验性 PyTorch Dataloader；
- 商业化 Rerun Hub。
Rerun SDK和Viewer采用MIT与Apache 2.0双许可，完整代码开放。Rerun在2025年宣布完成1700万美元种子融资，用于从开源可视化项目扩展为Physical AI数据库和云平台。(Rerun)
Foxglove
Foxglove 当前将自己定位为 “Physical AI 的可观测性栈和数据基础设施”，重点覆盖：
机器人端记录
↓
自动上传
↓
设备、Recording、Session和Event管理
↓
搜索和筛选
↓
可视化与协同调试
↓
远程访问和遥操作
其产品包括：
- Foxglove桌面和Web应用；
- Foxglove SDK；
- 开源MCAP格式；
- Foxglove Bridge；
- Foxglove Agent；
- Data Platform；
- Primary Sites；
- Fleet与Remote Access；
- Sessions、Events和数据搜索。
Foxglove成立于2021年，创始人此前在Cruise和Coinbase工作。公司于2022年宣布完成1500万美元A轮融资，2025年又完成4000万美元B轮融资，整体商业化阶段和企业产品成熟度明显早于Rerun。(Foxglove)
二、产品体系对比
| 维度 | Rerun | Foxglove |
|---|---|---|
| 核心叙事 | Physical AI统一数据层 | Physical AI可观测性与数据平台 |
| 主要Viewer | Rerun Viewer | Foxglove App |
| 代码接入 | Rerun SDK | Foxglove SDK、Bridge |
| 主要记录格式 | .rrd | .mcap |
| 基础数据模型 | Entity、Component、Archetype | Topic、Channel、Message、Schema |
| 数据目录 | Catalog、Hub | Data Platform、Primary Site |
| 数据检索 | DataFrame、SQL、Chunk查询 | Recording、Event、Session、消息字段搜索 |
| 训练接口 | 直接提供PyTorch Dataloader | 主要提供训练集搜索、筛选、标注和下载 |
| 机器人端服务 | SDK为主 | SDK、Bridge、Agent、Remote Gateway |
| 机器人Fleet管理 | 不是当前重点 | Device、Fleet、Remote Access |
| 遥操作 | 没有专门产品 | 支持远程查看和遥操作 |
| 开源策略 | SDK和Viewer完整开源 | SDK、MCAP开源，当前Foxglove应用为商业产品 |
| 商业产品 | Rerun Hub | Pro、Enterprise、Primary Sites、Standalone |
两者表面上都能记录、回放图像、点云、曲线和机器人姿态，但深层的数据组织方式有明显差异。(Foxglove Docs)
三、最关键的区别：数据模型
Rerun：以“物体及其属性”为中心
Rerun采用类似ECS，即Entity Component System的数据模型。
例如：
world/robot/arm
├── Position3D
├── Rotation
├── Color
└── Mesh
其中：
- Entity表示一个对象；
- Component表示对象的属性；
- Archetype把一组常见Component组合起来，例如Image、Points3D、Transform3D。
这种设计天然适合描述：
- 三维场景；
- 相机与点云；
- 坐标变换；
- 机器人关节；
- 算法中间状态；
- 随时间变化的世界模型。
Rerun Viewer能够理解这些语义，而不只是看到一段二进制消息。(Rerun)
例如记录一组点云时，Rerun更接近：
rr.log(
"world/lidar",
rr.Points3D(
positions=points,
colors=colors
)
)
程序明确告诉Rerun：“这是世界中某个实体的一组3D点”。
Foxglove：以“消息流”为中心
Foxglove的数据结构更接近ROS：
/lidar/points
/camera/image
/imu/data
/joint_states
/model/result
每条Topic或Channel中不断产生带时间戳的Message，每种Message由Schema定义。
Foxglove SDK可以把消息：
- 写入MCAP；
- 通过WebSocket实时发送到Foxglove；
- 同时输出到多个Sink。
对于自定义系统，用户可以使用Foxglove内置Schema，也可以采用Protobuf、JSON、MsgPack或其他自定义Schema。(Foxglove Docs)
本质区别
可以概括为：
Foxglove：
在某个时间点，/camera/image主题发布了一条消息。
Rerun：
在某个时间点，world/robot/camera这个实体拥有一幅图像。
Foxglove的模型更接近机器人运行时总线；Rerun的模型更接近随时间变化的数字世界。
因此：
- ROS、消息总线、机器人Fleet日志：Foxglove更自然；
- 计算机视觉、三维重建、世界模型、算法调试：Rerun更自然。
四、RRD与MCAP的比较
MCAP
MCAP是一个开放的、多模态消息容器格式。它可以保存不同Topic、不同Schema和不同序列化格式的消息，并支持Zstd或LZ4压缩。
它强调：
- 高速顺序写入；
- 自描述Schema；
- ROS兼容；
- 多语言工具链；
- 跨工具互操作；
- 作为机器人原始日志长期保存。
Foxglove SDK可以直接写MCAP，Foxglove Platform的Recording、索引、搜索和下载体系也主要围绕MCAP构建。(Foxglove Docs)
RRD
RRD是Rerun的数据文件格式，核心采用Apache Arrow列式Chunk，并保存Rerun的Entity、Component和Archetype语义。
它更强调：
- 多速率数据；
- 列式查询；
- Viewer直接读取；
- DataFrame访问；
- 数据变换；
- 直接进入模型训练；
- 保留空间和可视化语义。
Rerun可以打开MCAP等文件，但在Rerun体系内完成查询、语义建模和训练时，转换成或直接生成RRD通常能更充分利用其数据模型。(Rerun)
实际选型
| 目标 | 更适合 |
|---|---|
| 建立通用机器人日志格式 | MCAP |
| 与ROS生态兼容 | MCAP |
| 让多个不同工具读取 | MCAP |
| 深度使用Rerun数据模型 | RRD |
| 直接进行Arrow/DataFrame查询 | RRD |
| 从记录直接构造PyTorch样本 | RRD |
| 保留Rerun Archetype语义 | RRD |
如果担心厂商锁定，MCAP目前是更中性的原始归档格式；如果系统已经明确采用Rerun作为数据层，RRD的整体一致性更强。
五、可视化能力对比
Rerun Viewer
Rerun Viewer的优势是“数据语义驱动”。
它能够根据Archetype自动判断：
- 图像应显示在二维视图；
- Points3D应进入三维视图；
- Scalar应进入时间序列；
- Transform3D应加入坐标变换树；
- Tensor应进入张量视图。
其Blueprint可以通过界面或Python/Rust代码定义，布局文件可以跟随项目代码进行版本管理。(Rerun)
这对于算法开发非常有价值。例如一段Python算法可以同时定义：
记录什么数据
数据的语义
Viewer显示什么
Viewer如何布局
因此Rerun特别适合：
- Notebook；
- 算法实验；
- 计算机视觉；
- 3D重建；
- 机器人学习；
- 仿真结果分析；
- 模型推理过程回放。
Foxglove App
Foxglove采用传统的面板式工作区：
- 3D；
- Image；
- Plot；
- Raw Messages；
- Map；
- State Transitions；
- Log；
- Teleop；
- Diagnostic等。
用户可以拖放面板、保存Layout、设置变量，并使用TypeScript User Script对消息进行实时转换。(Foxglove Docs)
Foxglove的界面更接近一个成熟的机器人调试控制台。它通常更适合：
- ROS开发者；
- 现场工程师；
- 测试团队；
- 机器人运维人员；
- 跨部门共享；
- 远程查看和遥操作。
可视化结论
算法人员更容易喜欢Rerun；机器人系统和现场团队通常更容易接受Foxglove。
Rerun更加代码化、语义化；Foxglove更加面板化、操作化。
六、扩展能力
Foxglove扩展机制更容易进入普通Web开发流程
Foxglove支持：
- React或原生DOM自定义Panel；
- 自定义消息转换器；
- Topic别名；
- TypeScript User Scripts；
- 扩展包
.foxe； - 在组织内部发布扩展。
自定义Panel不仅可以订阅数据，还可以发布消息，因此能够制作控制按钮、调试操作面板甚至轻量遥操作界面。(Foxglove Docs)
Rerun扩展更底层，但门槛更高
Rerun可以：
- 嵌入自定义UI；
- 为现有视图增加自定义Visualizer；
- 编写全新的View Class；
- 添加GPU渲染器。
但Viewer扩展目前主要使用Rust，而且官方明确说明接口尚不稳定，升级时可能需要修改扩展代码。(Rerun)
因此：
需要快速开发业务面板：
Foxglove更方便。
需要修改底层3D渲染和Viewer行为：
Rerun自由度更高，但工程成本更大。
七、数据查询、数据集筛选与模型训练
这是两者竞争最激烈的部分。
Rerun：更靠近训练执行层
Rerun提供Catalog、DataFrame查询和实验性PyTorch Dataloader。
Dataloader能够：
- 从多个RRD中构造训练样本；
- 在读取时对齐相机、状态和动作；
- 解码H.264、H.265、AV1和图像；
- 支持随机访问；
- 支持多Worker预取；
- 支持分布式训练分片。
这意味着训练代码可以直接把Rerun Catalog当作PyTorch Dataset使用，而不一定需要再次导出训练文件。该能力目前仍被标记为实验性。(Rerun)
Foxglove：更靠近搜索、策展和协作层
Foxglove在2026年推出了面向MCAP内容的数据搜索，可以按以下信息查询：
- 消息字段；
- Event；
- Device；
- Recording；
- Session；
- 元数据。
搜索结果可以整理为Session和Event，用于构造训练数据集、测试集或问题案例集合，并能直接查询位于Foxglove Cloud或客户自有存储中的MCAP。(Foxglove)
但从当前公开产品看，Foxglove更多负责：
找到训练数据
组织训练数据
标记训练数据
下载或接入数据
而Rerun进一步尝试负责：
把数据直接转换为PyTorch训练Batch
这一维度的判断
- 数据发现、团队审查、事件标注：Foxglove更成熟；
- DataFrame处理和训练代码直接读取：Rerun路线更深入。
八、机器人Fleet、远程设备和现场运维
这是Foxglove当前最明显的优势。
Foxglove提供Device、Agent、Bridge和Remote Access：
- Agent监控机器人本地目录中的新记录；
- 新文件可自动出现在组织的Recording列表；
- Bridge连接ROS 1或ROS 2；
- Remote Access允许工程师通过云端访问机器人；
- 可以实时查看数据或遥操作；
- 不要求VPN、端口转发或处于同一个局域网。
Remote Access已于2026年7月正式推出正式版本。(Foxglove Docs)
Rerun能够实时流式发送数据，也能通过Hub进行数据管理和分享，但其公开产品目前没有与Foxglove Agent、Fleet和Remote Access完全对应的一套设备管理与远程机器人连接产品。其重点仍然是记录、数据查询、可视化和训练数据供应。(Rerun)
因此，涉及以下需求时，Foxglove明显占优：
- 数百台机器人在线；
- 自动上传现场记录；
- 查看设备在线状态；
- 远程连接机器人；
- 跨地域现场支持；
- 遥操作；
- 事故和Event管理。
九、云端与私有化部署
Rerun Hub
Rerun Hub的特点是：
- 单租户；
- 部署在客户选择的云区域；
- 数据保存在客户自己的S3兼容对象存储；
- Hub负责Catalog、Schema、字节范围索引和数据流；
- 对大型客户可将数据平面部署到客户账户。
但Rerun Hub通常由Rerun负责运行，并不是一个面向所有客户开放下载的标准自托管产品。(Rerun)
Foxglove
Foxglove提供更多企业部署组合：
- Foxglove完全托管；
- Foxglove管理计算，但数据放在客户自己的云存储；
- 客户在自己的Kubernetes或本地环境运行数据平面；
- 离线或隔离网络使用Standalone License。
Foxglove的控制平面在部分私有部署模式下仍由Foxglove管理，但消息内容和附件可以始终保留在客户基础设施中。(Foxglove Docs)
部署结论
对有严格私有化、隔离网络或现场部署要求的企业，目前Foxglove提供的标准化选项更多。
Rerun的开源SDK和Viewer本地使用没有障碍，但其商业Hub的部署模式更偏“由厂商托管的单租户服务”。
十、开源策略与锁定风险
Rerun
Rerun SDK和Viewer完整开源，并采用宽松的MIT与Apache 2.0许可。
即使不采购Hub，也可以在本地完成：
- 记录；
- RRD文件存储；
- Viewer可视化；
- 查询；
- 数据变换；
- 本地Catalog；
- 实验性训练数据加载。
这使Rerun非常适合将Viewer深度嵌入研发工具链。(Rerun)
Foxglove
Foxglove Studio 1.x曾经是开源软件，但当前的Foxglove应用是商业产品。开源部分主要包括：
- MCAP；
- Foxglove SDK；
- Bridge等机器人端组件；
- 部分协议和工具。
Foxglove在2026年的官方说明中明确区分了“旧版开源Foxglove Studio”和“当前商业Foxglove产品”。(Foxglove)
因此锁定风险呈现两种不同形式：
- Rerun：Viewer开放，但RRD和Archetype生态相对专有；
- Foxglove：MCAP开放且跨工具性较强，但当前完整应用和云平台闭源。
若长期可迁移性优先，MCAP作为原始日志格式更稳妥；若希望能够自行修改完整Viewer，Rerun更有优势。
十一、价格和商业模式
Rerun
- SDK、Viewer和本地Catalog免费；
- 商业Hub不公开固定价格；
- 按部署、团队规模和数据量签订合同；
- 面向中大型Physical AI研发团队。
(Rerun)
Foxglove
Foxglove有明确的阶梯式方案：
- Free：免费；
- Pro：每月20美元起，另加使用量；
- Enterprise：定制价格；
- 另按存储、索引、查询、带宽、设备和Remote Access计费。
其公开价格中，Pro和Enterprise包含1TB存储，额外设备为每台每月20美元，并提供按TB计费的存储、索引和流量价格。(Foxglove)
Foxglove的采购路径更标准化；Rerun Hub目前更像面向设计合作伙伴和大型客户的方案销售。
十二、综合评分
以下是基于当前公开能力作出的相对判断，不代表实测性能基准。
| 能力 | Rerun | Foxglove |
|---|---|---|
| 代码内快速可视化 | 9 | 8 |
| 计算机视觉与3D算法调试 | 9 | 8 |
| ROS兼容性 | 7 | 10 |
| 通用消息日志生态 | 7 | 10 |
| 数据模型一致性 | 10 | 8 |
| 大规模数据搜索 | 8 | 9 |
| 数据集审查和团队标注 | 7 | 9 |
| 直接连接PyTorch训练 | 9 | 6 |
| 机器人Fleet和设备管理 | 4 | 10 |
| 远程调试和遥操作 | 4 | 10 |
| 界面扩展便利性 | 6 | 9 |
| Viewer底层可修改性 | 10 | 5 |
| 开源完整度 | 10 | 7 |
| 企业部署选项 | 7 | 9 |
| 当前商业成熟度 | 7 | 9 |
最终判断
从公司竞争力看
Foxglove目前规模更大、融资阶段更靠后，产品覆盖机器人端、数据平台、团队协作、机器人Fleet和远程访问，商业成熟度更高。
Rerun规模相对更早期，但技术路线更加集中，开源程度更高，在统一数据模型、列式数据、代码驱动可视化和训练数据加载方面具有明显特色。
从产品哲学看
Foxglove关心：
机器人发生了什么，哪台设备发生了，如何找到、共享和远程处理。
Rerun关心：
数据代表什么，如何统一表达、可视化、查询、变换并送入模型训练。
从未来竞争看
Foxglove正在从“机器人可观测性平台”向训练数据策展扩张；Rerun正在从“开源可视化SDK”向企业数据平台扩张。二者的交集会越来越大。
对纯研发和算法数据闭环，优先评估Rerun；对ROS、机器人Fleet、现场运维和企业协作，优先评估Foxglove；若希望兼顾开放格式和深度算法分析，可以考虑以MCAP作为长期原始日志，Rerun作为算法分析和训练数据工具，但要控制格式转换和双份数据带来的复杂度。