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。觅蜂的这项研究旨在追问:真机数据进入后训练管线后,模型究竟学到了正确能力,还是连同数据缺陷一起学习?
研究通过真机执行检验发现,三类表面成功的数据仍可能把模型教坏,分别对应模型“看不全”“对不上”“走弯路”三类问题。
其一,观测未覆盖决策依据。积木置于机器人初始视野之外时,若操作员凭肉眼判断选臂,机器人记录的画面中没有决策依据,模型选中正确手臂的概率约50%,接近随机猜测;当操作员与机器人同视角,先确认位置再选臂,准确率提升至100%。
其二,采集与部署校准不一致。若部署的机器人存在关节零位误差,30次真机测试全部失败。模型不会“知道”映射已失效,只会自信地执行错误动作。
其三,操作员补救动作被模型认为是习惯。在人为加入停顿和绕行的数据进行训练后,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%。模型无法区分“任务需要”与“缺陷补偿”,因为两者均标注为成功。
研究认为,这些“隐形坏数据”的源头早在采集前即已埋下。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%,但关节极限代价随之上升;控制系统不顺会迫使操作员停顿切换,而将部分控制交由逆运动学与头显并行处理后,任务时间缩短43%至53%;滤波算法不足1毫秒的计算,可能带来超200毫秒相位滞后,引发越界、等待与反向修正。
觅蜂已将数据质量管理贯穿采集全链路:采集前选型适配,采集中监测延迟、校准与修正,验收阶段不只是检查任务成功,还检查完成时间、轨迹长度与决策信息完整性。研究强调,一条后训练数据是否有效,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副产品,这些答案在数据进入后训练管线前已被写入。







