Die Qualitätskontrolle der Teleoperationsdaten jedes Labors benötigt
Kalibrierung, Latenzbudget, Aktionsgleiche, Fehler-Rückrufung, Episodegrenzen, Schnittstellenwahl <unk> eine Checkliste für hochwertige Teleop-Daten.
Teleoperationsdaten sind der Rohstoff für modernes Roboterlernen. Es ist auch der häufigste Ort, an dem nachgelagerte Modelle stillschweigend versagen. Dies ist die Checkliste, die wir jedes Labor durchlaufen, bevor sie eine Richtlinie verschicken.
Veröffentlicht 2026-03-27 vom Robotics Center of Silicon Valley Forschungsteam.
TL;DR. Die Qualität der Politik wird durch die Datenqualität begrenzt. Die Datenqualität wird meist durch sechs Dinge bestimmt: Kalibrierung, Latenz, Aktionsregulierung, Episode-Grenzdisiplin, Fehler-Rückgewinnungs-Etikettierung und Schnittstellenwahl. Die meisten Labors scheitern bei zwei oder drei dieser und wissen es nicht. Führen Sie diese Checkliste jedes Mal aus, wenn Sie eine neue Aufgabe oder eine neue Datenerhebungskampagne starten. Probleme bei der Quelle beheben, nicht bei der Nachverarbeitung.
1. Kalibrierung: Voraussetzung
Wenn die Kamera-Extrinsix zwischen Dienstag und Donnerstag um 2 cm abweicht, werden die auf dem gemeinsamen Datensatz ausgebildeten Richtlinien eine verwirrte Objekt-Positionsverteilung erfahren.
Kalibrierungs-Checkliste
- Führen Sie eine extrinsiche Kalibrierung zu Beginn jeder Datenerhebung durch.
- Nach einem physischen Aufprall auf den Roboter oder die Kamera-Anlage neu kalibrieren.
- Version-Kontroll-Kalibrierungsdateien neben den aufgezeichneten Episoden.
- Überschüssige Kalibrierungsabfälle; Ablehnen von Sitzungen, bei denen die Überschüssige einen von Ihnen vorher vereinbarten Schwellenwert überschreiten.
- Bei zwei Handwerksgeräten kalibrieren Sie beide Arme an einem gemeinsamen Weltrahmen.
- Kalibrieren Sie die Position des Griffes nach jedem Fingerwechsel.
2. Latenz: das Budget, das Sie vor dem Start festlegen müssen
Die Teleoperationslatenz ist eine erstklassige Datenqualitätsvariable. Über ~ 150 ms Rundfahrt beginnen menschliche Betreiber mit Verlangsamung und Überschuss zu kompensieren, was die Aktionsverteilung vergiftet. Über ~ 300 ms können Betreiber keine kontaktreichen Aufgaben zuverlässig ausführen. Wir diskutieren die Netzwerkseite in [Handling Internet Verzögerung in Teleoperation]
Checkliste der Latenz
- Messung der End-to-End-Latenz (Input des Controllers zur Bewegung des Roboters) vor jeder Sitzung.
- Verzerren: Sensor-zu-Netzwerk, Netz-zu-Betreiber, Betreiber-zu-Netzwerk, Netz-zu-Aktivierungsgerät.
- Ein Sitzungsabschluss-Budget auf Sitzungsniveau (für geschickte Aufgaben empfehlen wir <80 ms, für Tabelle <150 ms) festzulegen und durchzusetzen.
- Die Sitzungen, die über das Budget hinausgehen, statt sie still zu berücksichtigen.
- Zeitaufzeichnungen von Perf-Zählern, die zusammen mit den Demonstrationsdaten eingestellt sind.
3. Aktionsgleiche: der stille Korruptor
Die Operatoren jittern, die Controller haben Sensorlärm, das Netzwerk jitter fügt mehr hinzu. Wenn man eine Politik für laute Rohaktionen ausbildet, lernt sie den Lärm zu imitieren. Wenn man zu aggressiv glättet, verliert man die Kontakt-Mikroanpassungen, die Fähigkeiten funktionieren lassen.
Die Standard-Werte sind ein Low-Pass-Filter im 10-20 Hz-Band bei Geschwindigkeiten, der in einer Rekordzeit statt in einer Zugzeit angewendet wird. Aufzeichnen Sie sowohl den Roh- als auch den glatten Strom, damit die nachgelagerten Benutzer ihren eigenen Anruf machen können.
Aktionsschleichungskontroll
- Aufzeichnen Sie sowohl roh als auch glatte Aktionsströme.
- Verwenden Sie einen gleichmäßigen Filter für alle Sitzungen für einen Datensatz.
- Loggen Sie die Filterparameter in Metadaten.
- Inspektieren Sie die Handlungsauto-Korrelations-Histogramme; Spitzen bei der Eingabefrequenz des Betreibers sind eine rote Flagge.
- Nimm niemals eine Glässlichkeit auf der Verteidigungsseite auf, ohne sie auf der Aufzeichnungsseite (oder umgekehrt) zu passen.
4. Episodegrenzen: der häufigste Kennzeichnungsergebnis
Eine Episode soll ein einziger, kohärenter Versuch einer Aufgabe sein, Start-to-Finish, Erfolg-oder-Fehler. Jedes dieser Korruptionen verursacht die Episode-Grenze und macht die nachgelagerten Erfolgsraten unzuverlässig.
Die Lösung ist operationell, nicht technisch: die Beginn- und End-Episode-Verträge werden physisch (ein Fußpedal, ein großer Knopf) gestaltet, eine explizite "Erfolg" oder "Fehler" -Klassifizierung am Ende der Episode erforderlich und jede Woche eine zufällige 5% der Episodegrenzen überprüft.
Überprüfung der Episodegrenzliste
- Physisches Start-/Endsignal (Pedal, Knopf) mit einem sichtbaren Indikator.
- Zwangsläufige Erfolgs-/Fehlerklassifizierung am Ende der Folge.
- Einzigartige ID pro Episode, für die Überprüfung an Rohvideo angebracht.
- Prüfprotokoll: Überprüfung von 5% der zufällig geprüften Grenzen wöchentlich.
- Ablehnen oder Flaggeepisoden, deren Länge einer erwarteten Verteilung entfällt.
5. Wiederherstellungsbeschreibung
Die Operatoren machen Fehler und erholen sich. Diese Erholungen sind einige der wertvollsten Daten, die Sie sammeln können
Bezeichnen Sie drei verschiedene Zustände in jeder Episode: nominalen Fortschritt, Erholung (Betreiber korrigiert einen Fehler) und Abbruch (die Episode wird frühzeitig beendet). Der Katalog der häufigsten Fehler befindet sich in Gemässliche Fehler im Roboternimitierungslernen.
Checkliste für fehlerhafte Wiederherstellungen
- Definition von "Erholung" in Ihrem Handbuch mit Beispielen.
- Die Betreiber müssen die Wiederherstellung live (Knopf oder Stimme) anstatt nach der Verarbeitung anzeigen.
- Spurenrückgewinnungsrate pro Betreiber; Wiederherstellungsträger, deren Rate in beiden Richtungen abweichend ist.
- Entscheidung darüber, ob die Erholungen in jeder Datensatzversion aufbewahrt oder ausgeschlossen werden; Dokumentation der Entscheidung.
6. Schnittstellenwahl: Kinesthetische vs. Führungskräfte vs. VR vs. Handschuh
Die Schnittstellenwahl prägt Ihre Daten mehr als fast jede andere Entscheidung.
Kinesthetische Lehre
Der Betreiber bewegt den Arm des Robots mit der Hand im Gravitationskompensationsmodus. Beste Datenqualität für kontaktreiche Aufgaben, da der Betreiber den Kontakt direkt spürt.
Führer-Follower (ALOHA-Stil)
Der Betreiber bewegt einen kinematisch ähnlichen Führerarm; der Anhänger spiegelt ihn. Ausgezeichnete Ergonomie, hoher Durchsatz, gut geeignet für bi-manuale. Unser [ALOHA-Leitfaden]
VR/AR-Telebetrieb
Operator verwendet ein VR-Headset und Handcontroller. Ausgezeichnet für langberechnete und mobile Plattformen; intuitiv für neue Operatoren. Tradeoff: Latenz ist schwieriger im Budget zu halten, und Hand-Tracking-Fidelity ist variabel. Siehe [VR-Teleoperationsunternehmen verglichen]
Datenhandschuhe / Handverfolgung
Die Handbewegung des Betreibers wird direkt erfasst und auf einen geschickten Griff oder Hand gemappt. Am besten für geschickte Handmanipulation; schwachst für die Bruttoarmbewegung.
Schnittstellen-Checkliste
- Wählen Sie die Schnittstelle, die der vorherrschenden Bewegung Ihrer Aufgabe entspricht (größter Arm vs. geschickter Hand).
- Stell dich an eine Schnittstelle pro Datensatzversion; das Mischen von Schnittstellen führt zu einer Domänenverschiebung.
- Melden Sie den Schnittstellentyp, die Firmware-Version und die Kalibrierung in jeder Episode ein.
- Zugbetreiber speziell für die gewählte Schnittstelle; die Schnittstelle wählt sich im Rand durch die Variation der Fähigkeiten des Betreibers aus.
Wir behandeln die Betriebs ergonomik in Teleoperationsmüdigkeit und Ergonomie, und der Start-Guide ist hier.
7. Betriebsmitarbeiterhygiene
Die Operator-Varianz ist größer, als die meisten Forscher erkennen. Ein von fünf Operatoren gesammeltes Datensatz hat mehr innerhalb der Klasse-Varianz als ein von einem Operator über eine längere Zeitlinie gesammeltes. Der Schatzpunkt ist in der Regel 2-4 Operatoren pro Aufgabe, wöchentlich rotatiert, mit geteiltem Training und einer wöchentlichen Überprüfungssitzung.
- Eine schriftliche Aufgabenvorgabe mit Fotos von Erfolg und Misserfolg.
- Eine "Erwärmung" mit 10 Demonstrationen am Anfang jeder Sitzung, ausgenommen vom Training.
- Ein Video, das jede Woche mit anderen Personen geteilt wird, das drei beispielhafte und drei gescheiterte Demonstrationen zeigt.
- Metadaten auf Operatorebene in jeder Episode; Erfolgsverfolgungsverfolgung pro Operator.
8. Datenleitungshygiene
Die Qualität der Daten ist eine Pipeline-Eigenschaft, nicht eine Session-Eigenschaft.
- Immutable raw. Überschreiben Sie niemals Rohaufnahmen. Abgeleitete Datensätze werden nachgelagert.
- Alles Version. Datensatzversion, Kalibrierungsversion, Filterversion, Anmerkungversion.
- Automatische Validierung. Jede eingeschlossene Episode erhält eine Pass-/Fehlerprüfung der Dauer, der Aktionsbereich, der Kamera-Tropfen usw.
- Zufällige Probenüberprüfung. Menschen überprüfen jede Woche 1-5% der Episoden.
- Beruchungsdisziplin. Wenn Sie entscheiden, dass eine Episode schlecht ist, markieren Sie sie, nicht löschen.
Unser [Datensatzkatalog] (
9. Häufige Fallstricke
- Misch von Schnittstellentypen in einem Datensatz. Schlechte Domänenverschiebung, unsichtbar für Verlustkurven.
- Stille Uhrtrieb. Kamera und Aktoren gegen eine monotone Zeitquelle synchronisieren.
- Ungenau "mehr Daten ist besser" Instinkt. 500 saubere Episoden schlagen 2000 laute Episoden.
- Keine Aufschub. Reservieren Sie einen Testsatz von Operatoren/Szenen/Objekt-Sets, die Ihre Politik während des Trainings nie sieht.
- Die Randfälle ignorieren. Fehlerherstellungsdaten und nicht-nominale Objektposen sind die wertvollsten Scheiben.
10. Abschließende Anmerkung
Die Auflösung von Daten ist fast immer billiger als die Rettung von Daten nach unten.
Wenn Sie eine zweite Reihe von Augen auf Ihre Pipeline wollen, prüft unser Team [Datendienste]
Das drucken. Diese Checkliste soll auf der Wand Ihres Datenerhebungsraums leben.
11. Häufig gestellte Fragen
Wie viele Episoden brauchen wir eigentlich für eine funktionierende Politik?
Für eine schmale, gut definierte Einarms-Tasche mit sauberen Daten reichen 200-400 Episoden typischerweise aus, um Octo oder OpenVLA auf die Qualität der Forschungsergebnisse zu optimieren. Bimanuelle Aufgaben benötigen typischerweise 500-1000 Episoden vergleichbarer Qualität. Über dieser Schwelle schrumpft der Randertrag von mehr Episoden schnell, es sei denn, die Aufgabenverteilung selbst erweitert sich. Wir untersuchen die Rechenseite in [Skalierung von VLA-Schulungen auf einem Budget]
Sollten wir Daten in der Einsatzumgebung oder im Labor sammeln?
Beide. Sammeln Sie die meisten Daten im Labor, wo Sie die Beleuchtung, Kalibrierung und Kameraanordnung steuern. Sammeln Sie einen kleineren, absichtlich variierten Korpus in der Bereitstellung umgebung
Ist VR-Teleoperation gut genug für Produktionsdaten?
Für groben Manipulationen und mobile Aufgaben, ja, mit Aufmerksamkeit auf Latenz- und Handtracking-Kalibrierung. Für geschickte Handarbeiten und kontaktreiche Montage ist Lead-Follower- oder Handschuh-basierte Capture noch immer die qualitativ hochwertige Option im Jahr 2026.
Wie viel sollte ein Teleop-Betreiber bezahlt werden?
Die Marktpreise in den Vereinigten Staaten liegen zwischen 25 und 45 Dollar pro Stunde für unqualifizierte Teleop-Anbieter und 50 und 90 Dollar pro Stunde für geschulte, geschickte Betreiber.
Können wir bestehende öffentliche Datensätze nutzen und unsere eigene Sammlung überspringen?
Für die Vorbildung, ja