觅蜂科技:20万小时真机数据揭示三类成功样本存隐患?
11月20日消息,觅蜂科技近日发布基于20万小时以上真机数据、2万多个任务记录及25款双臂机器人分析的研究,拆解具身Agent后训练中的数据质量问题。 研究指出,在具身模型训练中,预训练无本体数据帮助模型获得广泛视觉、语言和任务知识,后训练真机数据则进一步将能力对齐到具体机器人、任务和真实物理交互。后者容错率极低,直接
11月20日消息,觅蜂科技近日发布一项研究,基于20万小时以上真机数据、2万多个任务记录以及25款双臂机器人展开分析,专门拆解具身Agent后训练环节的数据质量问题。
研究提到,具身模型训练里,预训练阶段的无本体数据让模型学到广泛的视觉、语言和任务知识;到了后训练,真机数据再把能力对齐到具体机器人、具体任务和真实物理交互上。后者的容错率极低,会直接影响机器人的动作策略。也正因如此,一条示范即便“完成了任务”,也不一定算得上有效的训练数据。
研究重点点出三类表面成功、却可能让模型“学坏”的数据。一是“看不全”:机器人观测没有覆盖决策依据,模型选哪只臂接近随机。二是“对不上”:采集与部署的校准不一致,关节零位误差足以让真机测试全部失败。三是“走弯路”:操作员为弥补系统缺陷而做出的停顿、绕行等多余动作,会被模型当作成功路径学进去。
研究认为,坏数据的源头大多出在采集系统的设计阶段,牵涉机器人本体选型、控制方式和延迟等。所以数据质量管理要覆盖采集、监测和验收全链路;验收时不能只盯任务成没成功,还得看完成时间、轨迹连续性,以及决策信息是否完整。(路永丽)