具身智能的数据采集成本很高,遥操作采一条轨迹要花不少时间,于是团队很容易陷入一个误区:先把数量堆上去,质量以后再说。可实际训练下来,夹杂着抖动、停顿、失败段和操作员坏习惯的轨迹,不仅帮不上忙,还会把这些毛病一起学进去。数据贵,错数据的代价更贵:一条坏轨迹污染的是整个批次的效果。
质量筛选要先定义什么是好轨迹。第一看完整性:任务是否真正完成,中间有没有靠取巧绕过关键步骤;没完成的轨迹不一定全无价值,但要单独标注,不能和成功轨迹混在一起。第二看平滑度:速度和加速度有没有剧烈突变,抖动是设备噪声还是操作员手抖,突变点往往对应着一次失误或一次纠正。第三看一致性:同一任务多条轨迹放在一起比,关键动作的顺序和落点是否稳定,出入太大的那条要重点检查。第四看有效性:抓取、放置、对接这些关键接触点是否真实发生,而不是看起来像。
筛选流程可以分两层。自动指标先过一遍:按完整性、平滑度、时长、关键点命中情况打分,明显不合格的直接筛掉,边界情况进入人工抽检;人工抽检不用全量看,按比例抽查加重点复查可疑段,抽查结论再反哺自动指标的阈值。失败段不必整条丢弃:切掉失败部分、保留有效片段,有时比整条保留更有价值,但切分规则要统一记录。
落地时还有三件配套工作:采集前先定规范,操作员按同一套标准做,示范动作、速度、停顿点都有约定;采集时给实时反馈,抖动过大或超时当场提示重采,别等入库才发现;数据入库要带版本和分级标签,好数据、待复核数据、已废弃数据分开存放。数量决定下限,质量决定上限,筛掉坏轨迹不是浪费数据,是在保护训练效果。
筛选标准本身也要定期复盘:随着任务类型变化,昨天的合格线可能不再适用,阈值和抽检比例都应随实际效果动态调整,而不是定一次就长期不变。