機器人學習資料質量是觀察、動作、狀態、任務上下文和結果的一致性。清晰的影片還不夠。如果動作屬於另一個時間戳、影格或控制器的解釋，該集會教授錯誤的物理關係，儘管每個欄位看起來都有效。
有用的審計結合了自動完整性檢查、視覺化回放、統計摘要和策略證據。當失敗和人工介入的意義明瞭時，它會保留其真實性，同時拒絕腐敗、洩露和未記錄的轉換。數量應在這些門之後報告，而非之前。
將本指南與 機器人動作資料指南 和 遙操作資料指南一起使用。 Open X-Embodiment 倉庫 展示了為什麼統一儲存仍需每個資料集的語意和引用。
將質量定義為被儲存的物理意義
從因果單元開始：觀察和機器人狀態引發一個動作，改變世界併產生結果。質量檢查應測試這種關係是否被正確編碼。檔案可讀性和影像解析度是必要的，但條件要弱得多。
編寫預期的學習問題、預測視界和動作應用規則。在 10 Hz 下收集的笛卡爾δ作用資料集不能被視為 30 Hz 的絕對關節目標。每次轉換都需要一個顯式且可測試的語意契約。
凍結回合資料結構與欄位字典
指定所需感測器、任務指令、機器人狀態、動作、時間戳、校正參考、控制器模式、終止原因和介入狀態。定義類型、單位、座標影格、有效範圍和缺失值行為。可選欄位在存在時需使用相同定義。
對模式納入版本管理，而不是默默新增或重新利用欄位。解析器應拒絕未知的關鍵版本。儲存原始碼、機器人和軟體辨識符號，以便未來的策展人能區分有意義的分佈轉移與損壞。
| 現場組 | 必要含義 | 自動檢查 | 人工檢查 |
|---|---|---|---|
| 觀察 | 感測器與捕獲時間 | 形狀與單調時間 | 可見對齊 |
| 行動 | 命令語意與視野 | 分佈範圍與尺寸 | 播放方向 |
| 州際 | 測量機器人設定 | 限制與連續性 | 公然度合理性 |
| 結果 | 成功或失敗的原因 | 允許的標籤集 | 任務結果 |
| 背景 | 校正與版本 | 參考文獻存在 | 正確的硬體 |
測量同步與動作延遲
在同一時鐘上比較感測器捕獲、機器人狀態取樣、操作員輸入、指令釋出和指令應用。估算固定偏移量、抖動、丟棄取樣和緩衝。匹配陣列索引並不證明事件同時發生。
回放序列，疊加夾持手姿勢、動作向量和接觸事件。突變應按預期順序出現。量化剩餘時序不確定性，並決定其是否相對於機器人速度和策略時間視窗可接受。
明確行動框架、單位和慣例
動作可以是關節位置、速度、力矩、笛卡爾姿態、三角洲、扭轉或夾爪狀態。說明值是絕對還是相對，使用哪個框架，方向如何表示，命令覆蓋的區間範圍以及限制在哪裡。
僅在保留原始單位並進行變換後進行正規化。測試已知運動：正 x、單關節旋轉和夾爪閉合應產生可預測的符號。假設匹配的七維向量資料集合並可以組合不相容的物理指令。
跟蹤校正與硬體設定
相機內在變換、手眼變換、關節零點、工具中心點、夾爪幾何形狀和負載在採集過程中可能發生變化。儲存校正 ID 和有效性間隔及插播。成功的重新校正不應在沒有記錄來源的情況下重寫舊資料。
檢測撞擊、重新安裝或更換刀具後收集的會話。比較不同會話間的預測幾何和任務標誌。如果變換不確定，應隔離受影響範圍，而不是分發看似乾淨但幾何不一致的樣品。
| 變化 | 資料風險 | 需要保留的證據 | 審計反應 |
|---|---|---|---|
| 相機重新安裝 | 影像與機器人姿勢 | 變更前後的外參 | 資料拆分的有效範圍 |
| 刀具更換 | 動作與接觸 | TCP 與有效負載 ID | 單獨設定 |
| 關節檢修 | 狀態與運動學 | 零位校正 | 重新驗證運動 |
| 控制器更新 | 已執行動作 | 韌體與模式 | 版本行為 |
| 時鐘源變化 | 全部對齊關係 | 偏移與漂移測試 | 重新估算時序 |
按階段標註失敗類型，而不僅僅是最終成功
二元成功標籤可隱藏感知失敗、抓握滑脫、計劃超時、碰撞恢復啟用或位置錯誤。使用簡潔的分類法，包含主要失敗階段、終止原因及事件是否保持物理安全。
當困難和失敗的回合標籤和訊號可靠時，應保留它們。移除每一次失敗只教授理想狀態分佈，並隱藏恢復行為。移除或隔離那些意義不明的回合，而非僅僅因為任務失敗而回合。
將人類介入視為監督
遙操作接管、糾正推動、緊急停止和手動重置揭示了自主能力喪失的狀態。記錄誰或什麼發起了介入、開始和結束、前一策略背景以及接管後的行動來源。
不要在沒有源標誌的情況下混淆自主和人類操作。否則學習者可能會模仿突發的命令，這對恢復來說是合理的。介入率和介入時間也是指導下一收集週期的部署指標。
控制混合權重與域覆蓋
資料集大小應按機器人、任務、物件、場景、操作員、成功狀態和硬體版本進行細分。一集慢影片中數百萬影格幾乎相同並不等同於廣泛的體驗。報告集數、時長和有效多樣性。
根據部署目標設定混合權重，檢查哪些領域占主導。即使降低整體成功率，也應保留罕見的安全相關和恢復案例。權重決策應與訓練執行同步調整。
檢測重複和評估洩漏
近似重複影格在連續會話在樣本層級分割時可以交叉隨機訓練和測試分割。根據泛化主張按場景、物件例項、軌跡、時間塊或收集活動進行分割。雜湊捕捉完全相同的副本；嵌入和後設資料有助於尋找近似重複。
儘可能將驗證和測試決策排除在迭代管理之外。如果測試集影響了過濾、超參數或提示設計，它就不再是一個未被修改的估計值。建立一個新的保留切片並記錄該變更。
將自動門與視覺審查結合起來
自動檢查應涵蓋模式、範圍、單調時間戳、取樣間隙、校正參考、動作連續性、影像解碼、重複率和標籤有效性。按會話分層失敗，避免系統捕獲錯誤誤認為孤立雜訊。
人工稽核員應檢查同步多檢視播放、動作疊加、聯絡和終止。使用包含隨機集數和每個自動異常值類別的抽樣計劃。記錄稽核決策和稽核員的同意，而非進行隱形刪除。
從原始回合到訓練批次的版本沿革
保留不可變的原始資料，並建立可重複的變換，用於重取樣、校正應用、濾波、重新標記、分塊和正規化。每個派生分片應辨識輸入版本、程式碼修訂、參數和輸出校驗和。
Open X-Embodiment 論文和OpenVLA 論文是有用的主要技術參考，但它們的結果並不能驗證新的私有資料混合。用機器人資料工廠指南和保留的硬體測試來閉環。
評估“機器人學習資料質量：訓練回合的實務審計”時，還應儲存模型版本、機器人設定、校正檔案、測試日期和全部試驗記錄。
只有把這些持續投入與單位成功任務的價值比較，才能判斷方案是否適合擴大。
上線後仍要持續檢查分佈變化、感測器漂移、機械磨損和人工接管原因。
實際專案還應指定資料、模型、控制器和安全流程的負責人，並預先定義回復條件。責任邊界、審批記錄與變更紀錄越清楚，故障發生後越容易停止擴散、定位原因並安全恢復。
- 凍結圖式、單位和座標影格。
- 測量捕獲到動作的時序和抖動。
- 保留校正、硬體和控制器版本。
- 保留已標記的失敗和介入措施。
- 防止洩漏，每次變換都要更新。
常見問題
清晰的影片足以稱機器人資料為高質量嗎？
不。觀察必須與機器人的狀態、動作、時機、校正和結果保持一致。僅憑視覺質量無法保留物理意義。
失敗的回合應該被刪除嗎？
當他們的訊號和故障標籤值得信賴時，就不會發生。故障和恢復過程可以成為寶貴的監督；損壞或模糊的事件應被隔離。
不同機器人的資料可以直接合並嗎？
只有在具體化後，動作、狀態、單元、影格、時序和任務語意都被明確對映。共享檔案格式並不使這些含義完全相同。
允許多少時間戳誤差？
它取決於運動速度、控制速率、感測器暴露和策略時間視窗。估算由此產生的空間或動作誤差，並設定任務特定的限制。
質量稽核可以完全自動化嗎？
自動化門控擴充性良好，但同步回放和任務判斷仍能發現範圍和雜湊未察覺的語意錯誤。在錄製決策時同時使用兩者。
機器人資料集證據邊界
機器人資料集的質量針對學習目標、具體體格、動作語意和部署領域。資料集規模或統一格式不能替代血統和未完成的硬體驗證。