Skip to content
具身智能数据

示教数据筛选与再利用

示教数据整理决定哪些现有片段值得进入下一轮训练、以何种权重进入、应只作上下文还是可作动作监督。任务成功并不保证轨迹适合某个预训练模型；来源不完美也不等于没有价值。

DATAFARM显示规划生成轨迹即使能完成任务，也需要考虑与 VLA 预训练数据在关节配置、运动风格和时序上的分布差异；ReWeight以示教检索和样本权重筛选人类数据；Imperfection for Precision区分目标任务低精度与其他任务高精度数据的作用。这些结论支持保留多维质量标签，而非一个全局“好/坏”分数。

人类机器人规划示教经任务动作特征统一、检索筛选、用途权重分配，最后做等预算训练验证。

输入、输出与处理链

Section titled “输入、输出与处理链”

输入是人类、机器人和规划器等异质示教及目标策略的训练需求；输出是可重算的检索结果、样本权重、训练用途和排除原因。整理过程不改变原始示教，新的选择规则只形成一个版本化数据集视图。

  1. 汇集人类、机器人、规划器或历史策略示教，记录来源和任务版本。
  2. 按任务语义、对象、视角、本体、精度和运动风格建立可比较特征。
  3. 去重并给片段分配用途、权重或排除原因，冻结筛选规则版本。
  4. 用相同训练预算做消融，核验样本选择对目标任务和未见任务的影响。

时间与空间对齐

Section titled “时间与空间对齐”

检索和重加权只在可比较的时间窗口、动作单位和任务条件上进行。人类视频若无机器人动作标签，应标记为表征预训练或弱监督来源；规划动作和真实遥操作动作要保留来源。精度评价必须对照目标任务容差，不能用“轨迹平滑”代替对位误差。

示教整理契约连接原始来源、分布与精度特征、检索权重版本和训练用途。

最小数据字段

Section titled “最小数据字段”
字段组 建议字段 用途
身份与血缘 sample_id、source_episode、source_type、license 回溯原始数据与授权
任务与本体 task_id、object_id、embodiment、frame_id 判断可迁移性
动作质量 precision_error、contact_event、outcome 区分精度与任务结果
分布属性 motion_style、timing、state_features、domain_tag 估计目标/预训练差异
筛选结果 retrieval_score、sample_weight、use_mask、reason 复现准入与权重
评估隔离 split、filter_version、training_run_id 防止测试反馈回流

来源、精度和运动风格应保留为分开的属性；单个“质量分”不足以重建筛选决策或解释迁移失败。

数据整理评估检查筛选准入、等预算目标收益和未见任务中的性能退化。

质量控制与评估

Section titled “质量控制与评估”

筛选质量要同时看样本是否完整、筛后覆盖是否偏斜以及等预算训练收益。目标任务提升也要和未见任务退化一起报告：

  • 先用原始 ID 和感知哈希去重；同一 episode 的重采样窗口保持同一 split。
  • 记录缺失标签、坐标错误和动作不可执行片段，明确 trainable、context_only 与 excluded。
  • 按来源、任务、操作者、动作精度和场景报告筛后覆盖率；避免高权重样本过于集中。
  • 用“全量混合、随机等量、筛选加权”同预算对照，监测目标外任务退化。
评估层 指标或证据 判读要点
数据覆盖 来源/任务/精度分布 筛前筛后对照
选择有效性 同预算训练消融 对照随机混合
泛化代价 未见任务与本体结果 报告退化切片

数据集使用边界

Section titled “数据集使用边界”

数据权重依赖当前模型和目标任务，策略更新后可能需要重算，不能写成样本永久质量分。检索表征若使用未来动作或测试任务标签，评估必须隔离；高精度异任务数据不能无条件替代目标任务数据。筛选结论与原始文件分开保存，让后续使用者能按自身目标重建数据集。

本页术语

Section titled “本页术语”

本页使用的关键术语：

  • 数据再利用：把原用途之外的数据经筛选、重标或加权用于新任务。
  • 分布对齐：使训练样本在关键状态、动作和时序属性上更接近目标用途。
  • 样本权重：训练时控制一条样本贡献大小的显式数值。

本月相关论文

Section titled “本月相关论文”

以下为该主题在 2026-08-27 至 2026-09-27 采集批次中的全部主归类论文；每条均链接原始 arXiv 页面。