觅蜂科技20万小时真机数据拆解:三类“成功数据”可能教坏模型
上证报中国证券网讯(记者 宋薇萍)近日,觅蜂科技真机操作团队发布《真实机器人数据质量背后的隐藏变量》研究,基于超20万小时真机数据、2万余个任务记录,结合25款双臂机器人结构分析与多组遥操作对比实验,拆解影响真机数据质量的隐藏因素。 在具身模型训练链路中,预训练无本体数据容错率高,后训练真机数据容错率极低...
上证报中国证券网讯(记者 宋薇萍)日前,觅蜂科技真机操作团队发布《真实机器人数据质量背后的隐藏变量》研究,基于超20万小时真机数据、2万余个任务记录,结合25款
在
团队用真机执行做了检验,结果发现有三类数据表面看是成功的,实际却可能把模型带偏,分别对应“看不全”“对不上”“走弯路”三个问题。
先说“看不全”。积木放在机器人初始视野之外时,如果操作员靠肉眼判断来选臂,机器人记录的画面里就没有决策依据,模型选对手臂的概率约50%,跟随机猜差不多;换成操作员与机器人同视角,先确认位置再选臂,准确率能到100%。
再说“对不上”。如果部署的机器人存在
第三类是“走弯路”。操作员为补救而加的动作,会被模型当成习惯。用人為加入停顿和绕行的数据训练后,模型仍保留约90%的额外路径;绕行数据占比从0增至80%时,完成任务时间从25.3秒增至32.6秒,延长约29%。模型分不清“任务需要”和“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”的源头在采集之前就埋下了。机器人“够得着”不等于“干得好”,夹爪加长10厘米虽使可达位置增约39.4%,但关节极限的代价也跟着上升;控制系统不顺会逼着操作员停顿切换,而将部分控制交由
觅蜂把数据质量管理铺到了采集全链路:采集前做选型适配,采集中监测延迟、校准与修正,验收时不只看任务成功,还看完成时间、轨迹长度和决策信息是否完整。研究强调,一条后训练数据有没有效,取决于三个问题:观测是否覆盖决策依据,状态—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的副产品,这些答案在数据进入