机器人数据集版本与数据谱系

机器人数据集版本控制为数据状态赋予不可变身份，并记录原始回合如何成为标签、转换文件、分割、统计和训练输入。 Lineage通过代码、环境、模型工件、评估和部署将这一链条延伸。

仅靠日期和文件夹名称是不够的。机器人数据依赖于工具、校准、固件、控制器、现场和操作员的环境，修正后的标签会影响许多模型。系统必须支持复制、冲击分析和兼容的回滚。

结合数据 质量审计 和 LeRobotDataset v3指南，使用本指南。保持原始捕获不变，并作为新的派生版本创建修正。

使用不可变的内容身份

为原始文件、清单和派生数据集分配哈希或不可变对象标识符。友好的语义版本可以描述意图，而内容身份则证明使用了哪些字节和记录。

编辑标签或替换相机文件后，不要重复使用标识符。创建一个新版本，引用父文件及其更改原因。

原始捕获只保留附加

原始传感器和指令数据是证据。当时间戳、标签或校准关联错误时，保留原始源，并创建校正层或新的派生伪影。

根据权利和隐私要求控制访问和保存。不可篡改性并不意味着每个人都能读取敏感的原始数据。

谱系对象	不可变的恒等式	必修父母	变化创造了
原始回合	捕获校验和	设备与会话	新一轮捕获
唱片公司	注释显现哈希	病历与分类学	新厂牌版本
变换输出	工件与代码哈希	输入、代码、参数	新衍生版本
分裂	成员清单哈希	数据集版本	新分割版本
模型	工件哈希	数据、代码、配置、环境	新型号版本

建立完整的回合清单

清单应命名事件、传感器、动作、时间戳、任务、结果、机器人、工具、校准、固件、软件、操作员或收集模式、权利和质量状态。存储校验和和位置时，不将存储路径作为身份。

自动验证引用完整性和必需字段。保持未知值显式，这样下游过滤器不会将缺失的元数据视为有效默认值。

包含物理配置沿袭

机器人数据语义会随着工具中心点、关节零点、夹持指、摄像头外部元件、有效载荷和控制固件而变化。将这些版本关联到每个会话，并将会话中的变化记录为新段。

软件提交无法重建磨损的杯子、移动的摄像头或更换末端执行器。应保留维护和校准证据，同时保留数字配置。

将变换表示为有向图

每个转换记录输入身份、代码修订、依赖环境、参数、运行时和输出身份。示例包括同步、过滤、图像调整、动作归一化、注释合并和格式迁移。

有向无环图使扇入和扇出变得可见：一个模型可以使用多个数据集，而一个修正后的事件则可能影响多个混合和释放。

验证模式迁移和语义保持

迁移可以成功写入新文件，同时更改联合顺序、单元、集数边界或缺失值含义。在接受派生版本前，先运行模式检查并重放代表性集数。

当变形映射机器人特定动作时 ，使用跨身体动作指南。保留可逆测试和迁移报告。

版本列车验证与测试成员资格

分割是一种一级产物，包含成员规则和不可变的ID。新数据不应默然重排历史测试集或将衍生的兄弟节点跨分区移动。

每次运行都链接到一个精确的分割版本。如果评估声明从新集数变为新站点或机器人，请创建新的分割，而不是重新命名旧结果。

将统计数据和词汇绑定到数据集

归一化统计、令牌词汇、任务映射和类权重均来自特定数据集和拆分版本。过滤或单位变更后重复使用陈旧统计数据可能会破坏训练，而文件仍在加载。

记录计算代码和成员身份。仅将学习预处理拟合于训练数据，并将其身份与模型发布。

链接训练运行与环境

捕获数据并拆分身份、混合配置、代码提交、容器或依赖锁、硬件、种子、模型配置、检查点选择和指标。当前 MLflow数据集跟踪文档 仅为工具参考，而非完整的机器人专用血统设计。

运行跟踪系统只有在输入正确且不可变时才有用。确认记录的数据集名称是否解析为精确的清单，而非可变的别名。

发布具有持久修订记录的数据集

Hugging Face数据集上传文档解释了当前Hub发布的工作流程。仓库提交可以提供有用的修订身份，而数据集卡片、许可证和外部工件哈希仍需维护。

DVC或对象存储清单可以管理大型伪影。除非工作流提供校准、权限、标签意向或物理配置，否则没有工具能自动捕捉这些信息。

演习影响分析与回滚

选择已更正或撤回的节目，找到所有消耗该集的衍生数据集、统计数据、运行、模型和部署。然后选择已部署的模型，重建其来源和评估包。

回滚必须恢复兼容的模型、预处理、模式、动作适配器和配置。仅仅恢复一个检查点以对应变动的统计数据，并不构成有效的回滚。

血统测试	起点	期望迹	发现故障
繁殖	模型发布	精确运行与遗迹	可变别名
源痕迹	培训班	原始回合与变身	失踪的父母
影响	更正的回合	所有受影响的型号	孤儿消费者
权利	撤回的来源	已发表的衍生产品	未追踪副本
回滚	部署	兼容全捆	模式不匹配

发布时附有血统接受清单

文档标识符规则、保留、清单模式、转换图、分割治理、运行跟踪、访问控制、权限和回滚过程。定期测试图，而不是信任链接的存在。

通过以下清单进行验证。

评估“机器人数据集版本与数据谱系”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。

维护计划需要把检查周期、易损件、备件、校准和软件更新纳入同一套记录。若维护成本或停机时间持续上升，应重新评估系统设计，而不是只提高操作人员负担。

• 保持原始证据不可篡改，修正版本管理。
• 将物理配置和校准与会话关联。
• 版本转换、拆分、统计和词汇。
• 将每个模型绑定到精确的数据和环境伪影上。
• 测试重现、双向冲击分析和回滚。

常见问题

带有日期戳的数据集文件夹是否足够用于版本管理？

不。日期不能证明内容身份、父版本、转换代码或数据划分归属。

错误的原始标签是否应该被编辑？

保留原始证据，并创建新的更正标签或带有来源的衍生数据集版本。

检查点中的数据集名称够用吗？

不。存储不可变的清单、分割、混合、统计、代码和环境身份。

Hugging Face、 DVC 或 MLflow 会自动完成血统吗？

不。它们提供了有用的原语，但机器人元数据、校准、权利和语义转换必须被有意捕获。

血统应如何检验？

将模型追溯到原始回合、受影响部署的源代码变更以及通过完全兼容的回滚发布。

不可变源边界与可重现模型边界

血统是操作证据，而非命名规范。发布必须可从不可变源重现，并且可作为兼容的数据-模型-系统捆绑包可逆。