机器人数据工厂是一个运行系统，收集演示、自主部署、干预和失败，将其转化为可追溯的事件，并将经过验证的证据反馈到模型训练和部署决策中。其产品不是原始视频；它是可用且受控的学习数据。
艰难的工作集中在接口上。摄像头和动作必须共享时间，机器人具象需要明确的模式，任务结果需要标签，每个变换都必须有版本限制。否则，更大的数据集可能会悄悄地将不兼容的单元、帧、策略和成功定义结合起来。
本指南补充了 合成机器人数据指南 和 物理人工智能PoC框架。收集应遵循当前部署环境下的隐私、同意、安全和许可要求。
在收集更多数据之前，先设计回合
定义从任务请求到终止的一集，包括重置和结果。记录观察值、机器人状态、动作、时序、任务文本、环境、操作员输入和成功证据。数据集无法修复未定义的任务边界。
选择单元、坐标帧、图像惯例和模式注册表中的动作语义。标记必需和可选字段。模式变更应产生新版本和迁移记录，而非无声重新解释。
时钟对齐决定行为是否可学习
摄像头帧、本体感觉、指令、力信号和控制状态的到达速率和延迟各不相同。如果时间戳错误，训练会将观察与错误的动作配对，并根据误导性的真实信息评估策略。
使用通用时钟或测量偏移，保留源时间戳并记录重采样。注入已知运动以验证对齐。在实际操作中监控掉帧、队列延迟和抖动，而非假设标称频率。
具身元数据可防止把不同机器人错误视为可直接对应
Open X-Embodiment项目以统一的集数格式表示许多机器人数据集，同时保留数据集和动作空间细节。其公开材料展示了为何共享容器不会抹除硬件差异。
记录机器人模型、关节、极限、夹具、传感器、校准、控制器、固件和动作解释。七维动作矢量可以表示绝对姿态、增量位姿或速度；这些在没有明确适配器的情况下无法互换。
| 回合字段 | 为什么重要 | 若未完成则为失败 | 质量检查 |
|---|---|---|---|
| 时间戳 | 因果对齐 | 错误的监督 | 已知运动测试 |
| 具身 | 解释状态和动作 | 不安全转移 | 数据模式与适配器测试 |
| 任务与结果 | 定义意图和成功 | 模糊标签 | 独立验证 |
| 校准 | 传感器映射到几何体 | 系统性空间误差 | 参考靶测试 |
| 策略来源 | 跟踪行为源 | 偏见评估 | 版本与哈希 |
演示中包含操作员选择和隐藏的修正
遥操作和动觉教学能快速捕捉成功的行为，但操作者在风格、速度和恢复上有所不同。示范可以包括暂停、摄像头搜索或学习者理解为预期行为的纠正。
记录操作员身份或协议、接口延迟及是否发生援助。保存失败和恢复的事件。比较多位专家，询问收集的轨迹是否覆盖自治策略实际访问的状态。
数据整理应保留有价值的困难样本
删除损坏的文件、破损的时序和不可能出现的标签，但不要逐一清理所有硬案例。濒于失败、恢复和异常对象通常包含了部署鲁棒性最有价值的信息。
使用自动检查范围、连续性、重复和缺失字段，随后进行抽样人工审核。指定拒绝理由。数据整理决策应能在置顶的原始数据快照中复现。
标签需要定义和测量一致
成功、把握质量、接触、干预和失败原因需要书面定义。对于主观标签，使用多个注释符并测量一致性。对模糊案例升级处理，而非强制确定性。
模型辅助标记可以加快工作速度，但会引入系统性错误。按任务、地点和预测置信度抽样，然后对照人工或仪器证据进行审计。保留标记器和工具版本。
数据集版本必须保护评估分割
创建不可变的数据集发布，包含源集ID、模式、转换、过滤器和许可证。内容哈希使得复现训练和回归调查成为可能。保留受控数据的删除和访问控制程序。
按集数族、对象、环境、时间或地点分割，避免近似重复序列泄漏到评估中。随机帧分割可能使模型在训练时看似泛化，但实际上路径几乎相同。
| 数据工厂指标 | 它揭示了什么 | 误导性的捷径 | 运营用途 |
|---|---|---|---|
| 有效回合率 | 收集可靠性 | 仅限原始时间 | 修复捕获流水线 |
| 标注一致性 | 定义质量 | 标签数量 | 精细分类 |
| 留出集成功率 | 推广 | 训练损失 | 发布决定 |
| 故障覆盖 | 部署相关性 | 仅成功数据 | 采集优先级 |
| 追踪事件的时间 | 治理成熟度 | 存储体积 | 事件响应 |
训练应该保留一条回溯到每一集的路径
记录数据集版本、抽样权重、预处理代码、模型配置、随机种子和检查点。如果策略失败，工程师应追踪哪些示例和变换塑造了该行为。
平衡任务，同时不抹去其真实操作分布。对罕见失败进行过度采样可以提升学习效果，但会扭曲概率。评估平衡诊断集和代表性部署集。
部署反馈关闭了数据循环
记录任务请求、策略版本、信心、干预、失败及实时机器人验证结果。优先在故障严重度、频率或业务影响较高的地方收集，而非最易收集数据的地方。
使用影子评估和金丝雀部署来获取新策略。按任务和条件比较回归数据，并保留回滚数据。只有当每个周期都改善了未完成和操作性证据时，数据飞轮才算健康。
治理是生产架构的一部分
定义数据所有权、同意、保留、访问、加密、导出和删除。工作场所视频可以捕捉人员、标签和专有流程。开放数据集许可可能因代码、图像和贡献来源而异。
在培训和发布前审计权限，并隔离受限数据。事件流程应识别受影响的事件及其衍生模型。可扩展的工厂使合规和可追溯性成为常规，而非人工紧急。
评估“机器人数据工厂：收集、治理、训练与部署反馈”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
实际项目还应指定数据、模型、控制器和安全流程的负责人，并预先定义回滚条件。责任边界、审批记录与变更日志越清楚，故障发生后越容易停止扩散、定位原因并安全恢复。
把任务拆成感知、决策、动作执行和结果确认，可以更准确地定位瓶颈。每一阶段都应有独立指标与失败示例，避免用端到端成功率掩盖偶发但严重的风险。
引用的产品规格、论文结果和监管要求需要记录发布日期与适用版本。资料更新后应重新核对关键结论；无法从一手来源确认的内容，应明确标注为待验证信息。
小规模试点的价值在于提前暴露接口、人员协作和异常处理问题。试点结束后应依据预设门槛决定扩大、修改或停止，而不是因为已经投入资源就默认继续。
所有结论都应能够追溯到原始记录，并可复核。
硬件与软件接口应分别记录单位、坐标系、时钟、延迟和允许范围，并通过自动测试检查不一致。接口定义变化时，旧数据和旧控制参数不能在未经验证的情况下直接复用。
异常测试应覆盖断电、通信丢失、传感器失真、对象滑移和人员进入工作区等情形。系统不仅要发现异常，还应以可预测的方式减速、停止或请求人工确认。
- 在捕获前定义回合和模式。
- 测量时间戳和校准质量。
- 保留具身信息和策略来源。
- 版本数据、标签、转换和拆分。
- 将已验证的现场失效数据输入有界的收集计划。
常见问题
什么是机器人数据工厂？
它是收集、验证、标记、版本管理、培训和反馈系统，将机器人操作转化为受控的学习片段。
机器人数据多是不是总是更好？
不会。不正确的时机、模糊的操作、泄露和不具代表性的收集，都可能使较大的数据集比较小的可追溯数据集更糟糕。
跨机器人数据需要哪些元数据？
记录具体机体、传感器、校准、动作语义、单元、帧、控制器和任务结果，以便适配器正确解读每个片段。
失败的机器人回合应该被保留吗？
是的，只要这些示范有效且受监管。失败和恢复显示，成功演示中可能从未出现这些状态。
如何防止评估泄漏？
按回合、对象、环境、地点或时间按适当拆分，去重相关序列，保持不可变的保留集合。
数据治理说明
机器人数据可能包含个人、专有或安全敏感信息。应用当前的同意、许可、访问、保存和安全要求，并保持从模型输出到受控源事件的可追溯路径。