技术员带着主臂完成一次插接，随动臂看起来也顺畅复现；但相机晚到一帧，力信号使用另一套时钟，训练样本就可能把接触时刻标错。这样的数据在回放中很“干净”，却会教给策略错误的因果顺序。
现场工作从人的一次示范开始
Universal Robots 的公告把 UR AI Trainer 描述为主从结构：操作员移动主臂，随动臂跟随并记录任务示范。GTC 展示使用 UR3e 主臂和 UR7e 随动臂，力或力矩反馈帮助操作员感受接触。这是展示配置，不能据此断定所有销售包的固定物料清单。
人的动作是输入，不是天然正确的标签。示范者可能补偿夹具偏差、绕过一次卡顿或凭经验调整力度。系统要记录目标、工件、工具、操作者、开始和结束、是否成功以及中途介入，才能解释轨迹。
时钟与坐标错位是第一类隐形故障
有效样本需要共同时间基准、相机姿态、工具中心点、力传感器归零、物体 ID 和坐标变换版本。掉帧、时钟漂移、工件被替换、工具中心点变化或操作者临时纠正，都可能在不明显破坏轨迹外观的情况下改变学习含义。
采集界面应在现场提示时间和标定异常，而不是事后让数据人员猜测。定期插入已知几何和接触基准，量化漂移；任何超过阈值的片段先隔离，并保留原始数据与修复过程。
多操作者采集还会带来风格差异。有的人动作快而直接，有的人会先探测接触；两者都可能成功，却让策略学习到多峰行为。数据集应保留操作者 ID 的受控别名和操作风格指标，检查模型是否只模仿高频人员。若要去标识，也不能丢掉分析偏差所需的分组信息。
| 数据风险 | 采集期控制 | 必须保留的证据 |
|---|---|---|
| 时钟漂移 | 共同时间基准和漂移报警 | 原始时间戳与对齐残差 |
| 坐标错位 | 版本化变换和基准件 | 标定运行与对象参考 |
| 隐藏介入 | 操作员事件标记并关联安全日志 | 介入标签与视频片段 |
| 任务偏差 | 对象、人员与场景覆盖矩阵 | 分布报告 |
| 权利泄漏 | 同意、访问、脱敏和保留 | episode 级政策记录 |
动作、力和视频要作为同一事件链保存
公告称系统同步收集动作、力和视频流，用于机器人学习数据。公开材料没有给出采样率、传感精度或标定误差，不能自行补数字。应保存原始时间戳、采样状态和变换，再生成对齐后的训练视图。
可参考机器人数据工厂治理给每个 episode 绑定来源、硬件、固件、许可和质量状态。若只保留最终轨迹文件，跨设备或跨工厂合并时无法判断偏差来自任务还是采集系统。
恢复时必须保留介入和失败样本
不要只收藏成功示范。犹豫、重试、安全停车、人工覆盖、部分恢复和最终放弃，定义了自主系统何时需要求助。删除所有不完美片段，会得到只会处理整洁起点、却不知道如何从现场错误恢复的数据集。
出现安全停车时，先保存故障前的传感窗口、停止原因、操作者动作、随动臂状态和恢复结果，再重置单元。数据系统错误和真实任务失败需要不同标签；无法分类的样本不应直接进入训练。
失败样本需要区分“任务本来不可行”和“操作员没有完成”。前者可教策略拒绝，例如错误工件或缺少工具；后者可能来自训练不足或不一致。由现场专家复核失败原因，并保留未达成的目标和最后安全状态，才能把恢复数据与噪声分开。
- 为硬件、工具、工件和操作者建立 episode 身份
- 保存原始时钟与坐标变换，不只留对齐结果
- 把介入、近失、重试和放弃纳入标签
- 将人员同意与工艺知识产权绑定到数据
- 训练集、调参集和现场留出严格隔离
人员权利与任务覆盖仍是剩余风险
工厂视频与运动可以暴露工人身份、技能和身体模式，也可能包含专有零件几何与工艺。员工同意、劳动规则、任务知识产权、允许训练的模型、保留、脱敏、导出和删除应跟随每个 episode。
Universal Robots 提到的 10 万台以上工业部署，是 UR 硬件的累计应用背景，不是 AI Trainer 安装数或数据贡献者数。不能用这个数字推断数据规模、代表性或商业采用。
跨工厂共享数据时，还要处理单位、坐标、工具和工艺语义。相同“插入成功”在不同夹具可能使用不同公差和力限；若只统一标签名称而不统一定义，合并会制造伪一致。数据卡应说明任务定义、传感器、采样、质量过滤、已知偏差、允许用途和不适用范围，接收方在本地留出集上复核后才能训练。
先验收数据集，再独立验收机器人策略
Universal Robots 与 Scale AI 计划在 2026 年后期提供工业数据集，但公告时未公布规模、许可和策略性能。训练前审计覆盖、同步、重复、标定、权利、失败比例和独立留出；训练后在对象、操作者、光照、工具和异常变化下独立测试策略。
数据采集质量是必要条件，不是部署证明。可部署策略还需安全边界、延迟、失效回退、人工接管、版本管理和现场维护。采集装置与学到的自主策略必须作为两个产品、两套验收来管理。
策略评估应使用采集人员没见过的对象和班次，防止训练与测试共享同一背景。除成功率，还要测接触峰值、物品损伤、时间、人工接管和安全拒绝。若策略通过平均任务却在一个高后果对象上反复失败，就不能用更多容易样本抵消。
发布数据集前应做可重识别和商业秘密审查。即使人脸被模糊，动作轨迹、工位布局和零件形状仍可能指向个人或工艺。向外部模型供应商传输时，限定再训练、二次分发和保留；删除或退出后，用记录证明原始文件、派生特征和缓存均按合同处理。
| 责任方 | 即时响应 | 长期纠正 |
|---|---|---|
| 单元操作员 | 停车并标记样本 | 在同一配置下重做 |
| 数据工程师 | 隔离损坏数据流 | 修复同步或坐标管线 |
| 安全负责人 | 复核停车与近失 | 修改程序或单元边界 |
| 治理负责人 | 限制争议数据 | 解决同意、许可或删除 |
| 模型评估人 | 无效失败不进训练 | 有效边界案例进入评估 |
读者接下来常问的问题
采集少量成功示教是否足以生成可在工厂稳定运行的机器人策略？
安全停车后应先保存故障前传感窗口、停止原因、操作者动作、随动臂状态和恢复结果，再重置。这能区分采集系统错误与真实任务失败，避免一次干净重启抹掉最有价值的片段。
官方资料：