ロボット訓練データ収集方法:ステップバイ・ステップガイド (2026)

ガイド (T9)

ハードウェアの設定や遠隔操作方法の選択からエピソード設計,品質管理,スケーリング,トレーニングパイプラインへの摂取まで高い品質のロボット示範データを収集するについて知っておくべきすべて

始める前に: 必要なもの

データの収集は,すべての [模倣学習] (T10) パイプラインの基礎です. 訓練アルゴリズムがどれほど複雑であっても,データ不足は政策不足を生む.

ハードウェアチェックリスト

50 Hzで位置制御するロボット腕: ViperX-300 S2, Koch v1.1, OpenArm,Franka Emika Panda,または類似.腕は50 Hzまたはそれ以上の関節位置コマンドを受け入れ,同速で現在の関節位置を報告しなければならない.
遠隔操作インターフェース: Leader-follower arm (最高データ品質),VRコントローラ (Meta Quest 3,最低コスト) または3Dマウス (SpaceMouse,最も簡単な設定) 下の方法選択セクションを参照してください.
カメラ: 腕に搭載されたカメラ2台以上 (Intel RealSense D405 推奨) と上部部部に搭載されたカメラ1台 (RealSense D435 または Logitech C920) 収納セッションの間には固定固定式に移動してはならない.
ワークステーション: Ubuntu 22.04 または 24.04 (データ収集のための現代的なカードが動作する)
レコーディングソフトウェア: LeRobotレコーディングスタック,ALOHAレコーディングスクリプト,またはカスタムROS2データログガー.同期されたコイントデータ (50Hz) とカメラフレーム (30fps) を搭載したHDF5ファイルを出力する必要があります.
タスクオブジェクト: データ収集中に操作するオブジェクト.可能な限り倍数を持つ.
バックアップストレージ: 夜間バックアップ用の外部SSDまたはNAS. 単一日のデータ収集で2050GBが生成されます. ディスク故障により収集日を失うことは高価です.

遠隔手術の方法を選ぶ

選択した遠隔操作方法は,データの品質,収集量,操作者の疲労に直接影響します. この決定木を使用します.

決定木: 方法への任務精度

サブミリメートル精度が必要 (挿入,糸,細かい組み立て) → **リーダー-フォロワー腕.**リーダーとフォロワーとの運動性一致性により位置精度が向上します.コスト: $6,000~$10,000
センチメートルレベルでの精度が十分 (ピックアップ・場所,分類,梱包) → VRコントローラー (メタクエスト 3). 自然な手動き,コストが低く ($500),操作員へのオンボードが速い. 粗大操作作業に適しています.
6-DOF 終効果器制御と力反射 (接触型作業,表面フォロー) → 重力補償付きのリーダーフォローアーム. 操作者はリーダーアームを通して抵抗感を感じ,力感の示範を可能にします.
外部の手操作 (指のレベルを握り,手内回転) → 外骨手袋 (SenseGlove Nova 2 または HaptX G1).
** 迅速なプロトタイプ,単軸作業** → ** スペースマウスまたはキーボード.** 入力障壁最低. より良いハードウェアに投資する前に録音パイプラインを検証するのに適しています.

スタートアップチームの大半では,以下のような推薦があります: 手頃な価格でリーダーフォローアセットアップを開始するか, VRコントローラーを**予算が制限されている場合. データ品質の差は測定可能です.

カメラとセンサーの設定

カメラの設定はデータ収集の質において最も過小評価される要因の一つです. 収集と部署の間を5mmにシフトするカメラは,あなたのポリシーの把握成功率を20%以上低下させることができます.

カメラの種類とどの時に使うか

腕カメラ (ロボット端エフェクターに搭載):**操作点を近視で見ることができます.精度な作業 (挿入,細かい握り) に不可欠です.ロボットと共に動いて,常に動作を枠にします.推奨:Intel RealSense D405 (コンパクト,グローバルシャッター,30fpsで640x480).固い3Dプリントブレーケットでマウントする.
Overhead camera (fixed, looking down at work space): 全球的なシーンコンテキストを提供します. 作業場におけるオブジェクトを局所化する必要があるポリシーでのピックプレスタスクに不可欠です. テーブルより120150cm上を座って,作業場を中心にします. 推奨: Intel RealSense D435 または Logitech C920.
サイドカメラ (固定,テーブルの高さ): 上の位置から遮断された接近軌跡と把握プロフィールを撮影する.垂直接近 (積み重ね,上から挿入) を伴う作業に便利. 作業場の向こう側から操作員からテーブル高さで設置する.
マルチビュー設定 (3+カメラ): 高品質の収集の標準です.ALOHAは3台のカメラスタックを使用します.左腕,右腕,上頭.カメラを追加するとデータボリュームが線上的に増加しますが,ビューポイントの変動に対するポリシーの強度が向上します.

設置調整技巧

硬いアルミの外接や鋼の支柱を使用する.滑りやすいや粘着するマウントは使わないでください.
設置後,ペンや彫刻でカメラの位置を記入します.カメラがぶつかり,そのカメラが動いているかどうかを確認できます.
複数の日間の収集キャンペーンの前に ArUcoボードを使ってカメラの外部のカリバーをカリバーし映像データと一緒にカリバーを保存します
自動曝光により,フレーム間の明るさが点滅し,視覚機能学習を低下させる.
フレーム同期を確認:カメラと関節データには同じ時計からタイムスタンプが取られる.ハードウェアトリガー (RealSense マルチカメラ同期) またはソフトウェア同期を共有NTPクロックで使用する.

番組デザイン

プログラムが"エピソード"を構成する際には,その作業の開始から終了まで,単一の示範となります.エピソードをデザインする方法は,あなたの政策がから学ぶ分布を決定し,そのために,展開時に何ができるか,何ができないかを決定します.

任務を定義する

データを収集する前に,正確なタスク仕様を書いてください.

タスクの目標: "テーブルから赤いキューブを拾い,青い鉢に放す". どの物体,どこで始まり,どこで終わるのかを明確に説明する.
成功基準: "キューブはボウル内にある,グリッパは開いている,腕は元の位置に戻っている". 成功を明確に定義するので,すべてのオペレーターとQA審査員は同じ基準を適用します.
許可された戦略: "上から下へと把握してキューブに近づけ". または明示的に"任意の把握方法は受け入れられます".戦略を制限すると,より一貫したデータを得ます (ACTではよりよい).複数の戦略を許可すると,より多くのデータが必要になりますが,政策はより堅固なものかもしれません (拡散政策ではよりよい).
エピソード期間: 最大エピソード長さを定義する.典型的なテーブルプレックピック場所: 515秒.エピソードが中期を2倍を超えると,何かが間違えた場合,それを捨てる.

州配分を開始

開始状態分布は,あなたのポリシーの展開強度を決定します.すべてのデモが同じ位置でオブジェクトを開始した場合,オブジェクトが左に 3cm になったときにポリシーが失敗します.

第1段階 (最初の50回のデモ): スタートステート分布を小さくします. 中央点から半径5cm以内で物体の位置が変化します. これは操作者がスキルを高めながら一貫した示範を保証します.
第2段階 (デモ 51200): 目的の展開分布を全額に拡大する. 達成可能な作業空間全体でオブジェクトの位置が異なる. 対象の方向が異なる場合.
フェーズ3 (デモ200+): ディストラクター,オブジェクト変数,照明変数,背景変更を追加する.このフェーズは一般化を目標とする.

セットプロトコル

ステージの間の間,シーンを有効なスタート状態にリセットする必要があります.リセットプロトコルを明示的に定義します.

ロボットをホーム設定に戻す (既定の関節位置).
作業オブジェクトをスタートステート分布の内の新しい位置に配置する.
画面がタスク仕様に一致するかどうかを確認する (物体が目に見える,遮蔽はなく,グリッパーが開いている).
シーンの安定を1秒待ち (残留物動はなし)
録音開始

失敗したリセットは悪いエピソードの一番の源です.可能な限りリセットを最小限に自動化して,ロボットが帰り位置に戻ります.

最初の10話の録音

最初の10話は訓練データを収集するのではなくパイプラインを検証することです

歩み歩み

録音スクリプトを起動する. HDF5 アウトプットが正しいディレクトリに書き込まれていることを確認する.記録中にファイルサイズが増加していることを確認する (データが流れていることを示します).
**操作員を位置する.**操作者は,作業場をはっきりと眺めるように,遠隔操作インターフェースに快適に座ったり,立ちたりする必要があります.リーダー・フォロワー:リーダーの手を握る.VR:ヘッドセットを入れ,作業場がパス・ローモードで可視で操作するコントローラを手に持っています.
作業を順調に実行する.急いで行かない. 滑らかで意図的な動きは,速く,揺れるものよりも良い政策を生み出します. 典型的な速度:50~70%は,あなたが走れる最速です.
録音を停止してエピソードをチェックする. HDF5 ファイルを開いて確認する:

共同位置データ (T3) は,期望の時間ステップ数 (エピソード_期間_秒 x 50 Hz) を表しています.
カメラ画像 (T4) は,期待されるフレーム数 (長さ x 30 fps) を有します.
行動データ (T5) は,共同位置の次元に一致する.
画像を再生して画像が共同データと同期されていることを確認する

** 記録エピソード 210.** 略して異なるスタートポジション.各エピソード後,記録された画像の素早く視覚的なチェックを行います.
トレーニングテストを実行する. この10話をトレーニングスクリプトに入力してください. 良いポリシーを期待していません. 訓練パイプラインがエラーなくデータフォーマットを受け入れていることを確認しています. 訓練が崩れずに完了した場合,パイプラインが検証されます.

各エピソードの品質制御

訓練データセットに追加される前に,各エピソードがこの8ポイントの品質チェックリストを通過する必要があります. レビューはエピソードごとに30~60秒かかります. その後数週間で悪いポリシーをデバッグするのを防ぐことができます.

8ポイントエピソード QAチェックリスト

タスクが成功に完了した? エピソードは成功基準に従って達成されたタスク目標で終了します. 復元データを特定的に収集していない限り,部分的な完成を捨てる.
操作者が躊躇しない >2秒? 作業中間の長い休憩は,ポリシーを混乱させる"静止"データポイントを作成します.操作者が考えることを停止した場合,再記録します.
スムーズな軌跡 結合位置データを再生する. 急に跳ね (遠隔操作障害),振動 (制御器不安定) または不自然な速度変化を検索する.
カメラ画像が明瞭ですか 動作模糊,操作点の遮蔽,正しい曝光をチェックしてください. 手首カメラ画像が把握中に模糊である場合は,そのエピソードは視覚的政策学習に役に立たない.
** 正確なスタートステート?** 予定されたスタートステートディストリビューション内でエピソードがスタートするかを確認する. 変な設定から始まるエピソードは,ディストリビューション終了したデータを導入します.
** 期間制限内でのエピソード期間** 期間は平均値から標準偏差2つ以内になければならない.異常短期間で発生したエピソードでは,不完全な作業を示しうる.異常長期間で発生したエピソードでは,操作者の困難を示する.
データ完整性? HDF5ファイルは破損されていません.すべての予想されるデータフィールドは存在しています.タイムスタンプは単調に増加しています. 共同データにはNaN値はありません.
一貫した戦略? 制限戦略 (ACTで推奨) を実行している場合は,指定されたアプローチに従ったエピソードを確認してください.

データを収集する一般的な誤り

1. セッション間のカメラの位置が不一致

何が起こるか: 月曜に100話集めて,掃除中にオーバーヘッドカメラをぶつけます.火曜日の100話には少し違う視点があります.混合データセットは両方の視点から不良なパフォーマンスを示す方針を訓練します.

固定: カメラをしっかりと設置する. カメラの位置を撮影する. 各セッションの開始時に,カメラの外側を参照のArUcoボードの校正に確認する.校正が変更された場合は,収集前に再設置する.

2 操作者の疲労データの質低下

**何が起こるか:**日の最初の50話は滑らかで精密に.150話までに,オペレーターは疲れている.

修正: 45 分ごとに10 分間の休憩を施す.収集セッションを毎日4 時間に制限する.時間とともに品質メトリック (エピソード期間,軌道の滑らしさ) を追跡し,品質が悪化するときに収集を停止する.

3 スタートステート分布が狭い

何が起こるか: すべてのデモは,物体がほぼ同じ位置から始まる.このポジションでは,この政策が90%の成功を達成するが,他のポジションでは10%の成功を達成する.

修正: 収集中にオブジェクトの位置をランダムに並べ替える.グリッドパターンを使用:作業空間を4×4グリッドに分け,各グリッドセルから始まる少なくとも3つのエピソードを収集する.データセットメトリックとしてスタート状態のカバーを追跡する.

4. 記録パイプラインをスケーリング前に検証しない

何が起こるか: 週間に500話集めて,設定エラーにより 50Hzではなく 25Hzでアクションデータが記録されたことが判明します. ターゲットポリシーではデータセット全体が使用できません.

修正: テストの10エピソードで常に最初に検証する.その10エピソードで完全なトレーニングパイプラインを実行する.大規模な収集に投資する前に,データサイズ,周波数,フォーマット互換性を確認する.

5 図書混合戦略

何が起こるのか: 3 つのオペレーターはそれぞれ異なる把握アプローチを使用します.合計でわずか 150 回のエピソード (50 回のアプローチ) で,単一のアプローチには十分なデータはありません. ACT はアプローチを平均し,無効な中間軌道を生成します.

Fix: 300 回のデータセット未満では,単一の戦略を標準化する.オペレーターに同じアプローチを使用するように訓練する.より大きなデータセット (300+) において,複数の戦略は良い.

6 灯光変動を無視する

何が起こるか: データは全て一貫したラボ照明の下で収集されます. 略微の異なる照明条件 (午後の太陽,異なる空の照明) で導入された場合,このポリシーが失敗します.

修正: 2 段階と 3 段階のコレクション中に,故意に照明を変更します.いくつかのエピソードでヘッドライトを消します.異なる角度からデスクトップランプを追加します.閉/開窓 blinds.これは視覚エンコードが照明の変化性のある特徴を学ぶようにします.

50〜500話までスケーリング

規模化データ収集は,小規模で存在しない組織的な課題を提示します.

運用者訓練

元の12を超えた新しいオペレーターを追加する際:

スタートする前に 10話を見てください
データを集める前に 20回の練習をテストに合格させる必要があります
最初のセッションに新しいオペレーターと経験豊富なオペレーターを組み合わせる
追跡者による品質指標:平均エピソード期間,軌道の滑らしさスコア,QA拒否率.

シフトスケジュール

大規模なコレクション (500+エピソード):

予定表は,日ごとに3時間のシフトで,30分間の交差が重なり合っている23のオペレーター.
各シフトでは約40~~60話 (リセットとQAを含む1話3~~4分) が発生します.
"データリード"として1人を指定し,毎日の終わりに品質指標をレビューし,劣化を指摘する.
予算: RCSV 料金では,QAを含む検証されたエピソードごとにプロのオペレータが1525ドルで収集する.内部収集コストは異なりますが,オペレータ時間とオーバーヘッドを考慮する際には,通常1エピソードあたり815ドルで実行されます.

品質劣化検出

大規模な収集中にこれらの指標を毎日監視します

平均エピソード期間: 安定した状態 (±10%) に保たれる. 期間が増加すると,操作者の疲労や作業の困難が増加することを示します.
QA拒否率は: 15%未満で,20%以上上昇した場合,収集を停止し,調査を停止します.
軌道の滑らしさ: 各エピソードのジーク (位置の3番目の導体) を計算する.平均ジーク > 2x のデータセット平均でフラッグエピソード.
スタートステートカバー: 2D熱地図上のプロットスタートポジションを図出する.意図された分布全体で均等なカバーを確認する.操作者をサンプル不足地域へ転送する.

データの保存と組織

フォルダ構造

project-name/
  raw/
    2026-04-12/
      episode_001.hdf5
      episode_002.hdf5
      ...
    2026-04-13/
      episode_101.hdf5
      ...
  validated/
    episode_001.hdf5    # passed QA
    episode_002.hdf5
    ...
  rejected/
    episode_045.hdf5    # failed QA, kept for reference
    ...
  metadata/
    collection_log.csv  # operator, date, start_state, duration, QA status
    camera_calibration_2026-04-12.json
    task_specification.md
  training/
    train/              # 85-90% of validated episodes
    val/                # 10-15% of validated episodes

会議の名前

T6 (例えば,T7)
HDF5 ファイル属性にメタデータを含みます:オペレーター ID,収集日期,開始状態説明,QA状態,タスク名.
第45話を削除すると次の話は46,45ではなく

バックアップ戦略

日常:原始/ディレクトリを外部SSDまたはNASに同期する.
週: 認証されたディレクトリをクラウドストレージ (AWS S3, Google Cloud Storage) にアップロードします.
各収集キャンペーンの後:バージョンアーカイブを作成 (例えば T8) チームと共有ストレージにアップロードします.
HDF5 ファイルを現場で編集しないでください.データを修正する必要がある場合 (例えば,作物エピソード,タイムスタンプを修正),新しいファイルを作成し,原始を原始に保存します.

訓練パイプラインへのアップロード

レロボット摂取

ACTまたは拡散ポリシーでトレーニングを行うために,HDF5データセットをLeRobotフォーマットに変換するには:

# Convert HDF5 episodes to LeRobot Parquet format
python -m lerobot.scripts.convert_dataset \
  --raw-dir ./validated/ \
  --repo-id my-org/my-task-v1 \
  --raw-format hdf5_aloha

# Verify the converted dataset
python -m lerobot.scripts.visualize_dataset \
  --repo-id my-org/my-task-v1 \
  --episode-index 0

HDF5 構造検証

変換する前に,期待される構造を含む HDF5 ファイルを確認してください.

# Quick verification script
import h5py
import numpy as np

with h5py.File('episode_0001.hdf5', 'r') as f:
    # Check required fields
    assert 'observations' in f
    assert 'action' in f

    qpos = f['observations/qpos'][:]
    images = f['observations/images/cam_high'][:]
    actions = f['action'][:]

    print(f"Joint data: {qpos.shape}")    # expect (T, num_joints)
    print(f"Images: {images.shape}")       # expect (T_img, H, W, 3)
    print(f"Actions: {actions.shape}")     # expect (T, num_joints)

    # Check for NaN values
    assert not np.any(np.isnan(qpos)), "NaN in joint data!"
    assert not np.any(np.isnan(actions)), "NaN in actions!"

    # Check timestamp monotonicity
    if 'timestamps' in f:
        ts = f['timestamps'][:]
        assert np.all(np.diff(ts) > 0), "Non-monotonic timestamps!"

HDF5,RLDS,LeRobotのフォーマットとの間の詳細なフォーマット仕様と変換については,私たちの [データフォーマットガイド](T13を参照してください.

データを収集する助けが必要か?

RCSVは,訓練を受けたオペレーター,校正されたハードウェア,エピソードQA,およびターゲットフォーマットでの配信をすべて管理します.私たちは30以上のタスクタイプで50,000以上の操作エピソードを収集しました.

[データ収集サービスを見る]