近日,觅蜂科技真机操作团队发布一项关于真实机器人数据质量的研究,研究基于超过20万小时真机操作数据、2万余个任务记录,并纳入25款双臂机器人结构分析及多组遥操作对比实验,试图找出影响真机数据质量的隐藏变量。
研究指出,在具身模型训练链路中,预训练阶段使用无本体数据时容错率相对较高,而后训练阶段一旦引入真机数据,容错空间就非常有限。团队关注的核心问题是:当真机数据进入后训练管线,模型学到的是正确能力,还是连带数据缺陷一起吸收。
通过真机执行检验,研究归纳出三类表面成功却可能误导模型的数据。第一类是观测没有覆盖决策依据。积木放在机器人初始视野之外时,如果操作员依靠肉眼判断该用哪只手臂,机器人记录的画面里没有对应依据,模型选中正确手臂的概率约为50%,接近随机;当操作员与机器人保持同一视角,先确认位置再选臂,准确率可达到100%。
第二类是采集与部署校准不一致。若部署中的机器人存在关节零位误差,30次真机测试全部失败。模型并不会意识到映射关系已经失效,仍会自信地执行错误动作。
第三类是操作员补救动作被模型当作习惯。在人为加入停顿和绕行内容的数据上训练后,模型仍保留约90%的额外路径。绕行数据占比从0升至80%时,任务完成时间由25.3秒增加到32.6秒,延长约29%。模型难以区分任务本身需要与缺陷补偿,因为两者都被标注为成功。
研究认为,这些隐形坏数据的问题源头往往在采集之前就已出现。机器人够得着不等于干得好。夹爪加长10厘米虽然让可达位置增加约39.4%,但关节极限代价也随之上升;控制系统不顺畅会迫使操作员停顿切换,而将部分控制交给逆运动学与头显并行处理后,任务时间缩短43%至53%;滤波算法不足1毫秒的计算,可能带来超过200毫秒的相位滞后,引发越界、等待和反向修正。
目前,觅蜂科技已将数据质量管理贯穿采集全链路:采集前进行选型适配,采集中监测延迟、校准与修正,验收阶段不只检查任务是否成功,还检查完成时间、轨迹长度与决策信息完整性。研究强调,一条后训练数据是否有效,取决于观测是否覆盖决策依据、状态与动作映射在部署本体上是否仍成立、路径是任务要求还是系统缺陷副产品,而这些答案在数据进入后训练管线前就已被写入。

