觅蜂发布20万小时真机数据质量研究 提出有效性三问

  【CNMO科技消息】近日,觅蜂科技真机操作团队发布论文《真实机器人数据质量背后的隐藏变量:数十万小时数据带来的经验》(Hidden Variables Behind Real-Robot Data Quality: Lessons from Hundreds of Thousands of Hours),指出三类表面成功的数据,仍可能在后训练中把具身模型“教坏”。论文基于20万小时以上真机数据、2万多个任务记录的工程积累,结合25款双臂机器人的结构分析、多组遥操作对比实验以及模型训练后的真机测试。


觅蜂



  研究显示,当机器人画面中没有选择动作所需的信息时,基于此类数据训练的模型选对手臂的概率约为50%,接近随机猜测;当操作员与机器人同视角、先确认位置再选择机械臂时,准确率提高到100%。若部署机器人自身存在关节零位误差,30次真机测试全部失败。在人为加入停顿和绕行动作的数据上训练后,模型保留了约90%的额外路径;绕行数据占比从0增加到80%时,机器人完成任务的时间从25.3秒增加到32.6秒,延长约29%。


  从论文来看,这些问题的源头在采集系统设计时即已埋下。团队分析了智元 G1/G2、宇树 G1-D、星海图、松灵、ARX、Franka 等25款主流双臂机器人,结果显示仅看机械臂能否到达目标位置,会高估机器人真正完成任务的能力:夹爪长度增加10厘米后,可达位置增加约39.4%,但关节更容易接近运动极限;用肩部在15厘米范围内平移模拟腰部运动后,部分姿态下的有效工作空间扩大至固定肩部时的3.4至5.5倍。

  控制系统方面,团队将腰部交由逆运动学控制、底盘和头部交由头显控制,使不同身体部位并行运动后,任务完成时间缩短43%至53%;柔顺控制在开门和擦拭任务中使峰值接触力分别降低71.3%和69.1%。测试显示,一个滤波算法计算耗时不到1毫秒,却可能带来超过200毫秒的相位滞后,操作员因此越过目标、等待反馈后反向修正,这些修正会以正样本形式进入训练集。


  值得一提的是,一条后训练数据是否有效,取决于三个问题:观测是否覆盖了决策依据,状态-动作映射在部署本体上是否仍然成立,数据中的路径是任务要求还是系统缺陷的副产品。觅蜂已将数据质量管理贯穿采集全链路:采集前根据任务选择机器人、摄像头和控制方式,采集中监测系统延迟、校准状态、操作切换和反复修正,验收阶段检查完成时间、轨迹长度、动作连续性和机器人是否获得完整的决策信息。