(来源:上观新闻)
近日,觅蜂科技真机操作团队发布最新研究论文,依托超过20万小时真机运行数据、2万余项任务记录,结合25款主流双臂机器人对比实验,剖析真实机器人数据质量背后的关键变量,为具身Agent后训练的数据筛选与采集体系提供工程参考。

随着具身智能快速发展,机器人遥操作示范数据规模持续扩张。但研究发现,即便任务执行成功的示范样本,也可能暗藏缺陷,在后训练过程中误导模型,造成机器人实际部署时表现不及预期。具身模型后训练直接对齐机器人本体与真实物理环境,容错率远低于预训练阶段,数据质量直接决定机器人落地性能。
该研究总结了三类“表面成功”却存在缺陷的数据。如操作员凭借自身视野判断目标位置,机器人传感器并未捕捉决策依据,训练后模型动作选择近乎随机;只有机器人先完成观察再执行动作,任务决策准确率方可达到100%。其二是校准状态不匹配,训练与部署阶段机器人本体校准不一致,即便任务示范成功,部署后也会出现全部测试失败的情况。其三是示范中存在多余绕行、停顿、反复修正的补偿动作,模型无法区分必要动作与系统缺陷带来的补救行为,会将绕行策略固化。实验显示绕行样本占比提升,会使机器人任务耗时最高增加29%。
这些问题根源往往产生于数据采集阶段。研究对多款主流双臂机器人开展运动学分析,指出机器人“够得到”不等于“做得好”。
研究提出,高质量后训练真机数据,需要回答三个核心问题:观测信息是否覆盖决策依据;训练得到的状态—动作映射在部署机器人上是否成立;轨迹动作是任务固有需求,还是系统缺陷带来的副产品。这些条件在数据进入训练管线前就已经确定,无法依靠训练环节修复。
据了解,觅蜂科技已经把数据质量管控贯穿采集全流程,前期合理选型机器人与传感设备,采集阶段监测延迟、校准、轨迹状态,验收环节不只考核任务成败,还评估轨迹连续性、决策信息完备度。
业内表示,具身Agent时代,机器人企业的核心竞争力不只在于数据总量,更在于沉淀真实场景的“有效经验”,构建采集、训练、验证迭代闭环,才能推动人形、操作机器人从实验室走向产业实际应用。
特别声明:本文经上观新闻客户端的“上观号”入驻单位授权发布,仅代表该入驻单位观点,“上观新闻”仅为信息发布平台,如您认为发布内容侵犯您的相关权益,请联系删除!











