ロボットデータ収集: MLチームのための完全なガイド
高い品質のロボット訓練データを収集する方法 遠隔操作方法,エピソード要求,データフォーマット,および50~10,000以上のデモをスケールする方法
[←ガイド]
自動運転機器の高品質のデモデータを収集するための最終的なプレイブック 遠隔操作方法を選択から50〜10,000以上のエピソードまで. LeRobot,ACT,Difusion Policy,VLAの微調整データ要件に関する最新情報で2026年更新されました.
なぜ リアル ロボット データ は シミュレーション を 勝てる の です
学習されたロボット操作政策を導入する最大のボトルネックルはモデルアーキテクチャではなくデータです.シミュレーションはアイザック・シム,ミュジョコ,SAPIENなどのツールで劇的に改善されていますが, sim-to-realのギャップは接触豊富なタスクでは頑固に広がっています.ここでは2026年に現実世界のデータが不可欠な理由です.
シンとリアルとのギャップは 十分に 縮まっていない
物理 機関 の 優位 な 方法 で も 差い て 近づく こと が でき ない 形 に 変形 し,滑り,相互作用 する 物体.模擬 布 は 純棉 の 毛巾 と 似 て 振る舞い ませ ん.模擬 紙 箱 は 側 の 圧力 に 似 て 腰 の 布 を
2025年にはGoogleのRT-2は 13万回の実世界のデモを使って 新たに作られた物体の操作で 62%の成功を達成しました トヨタ研究所の拡散政策は,訓練された作業でわずか200回のデモで94%の成功を達成したが,これらのデモは高品質で一貫して,部署に使用された正確なハードウェア構成で収集されることが求められました.教訓は,接触豊かな操作では,現実世界のデータはオプションではありません.
リアルなデータ が 必要 な 時
リアルワールドデータ収集は,次のいずれかを伴う場合,正当化されます.
- **接触型操作:**挿入,糸,組み立て,穴内
,力反発が重要となる任意の作業.シム接触モデルは,サブミリメートル耐容性作業に十分正確ではありません. - 変形可能な物: 布,ケーブル,食品,袋.変形可能なシミュレーションは改善していますが,実際の材料とは質的に異なる振る舞いを生み出しています.
- 視覚多様性: 合成レンダリングが完全にカバーできない現実世界の照明条件,オブジェクトのテクスチャ,背景,カメラの視点において政策が一般化しなければならないタスク.
- ハードウェア特有の部署: 特定のカメラを持つ特定のロボット腕で実行される場合,その正確な設定に関するデータを収集すると,実施形態のギャップが完全に排除されます.
- 人間とロボットとの相互作用: 人との交付,協力的な組み立て,または共有された作業空間を含むあらゆる作業.人間の行動を現実的にシミュレートすることはできません.
ドメイン の ランダム 配分 は 限界 を 持つ
域のランダム化 模擬における異なるテクスチャ,照明,物理パラメータ,カメラのポーズ
4 つの テレオペレーション 方法 を 比較 する
遠隔操作 望ましい行動を示すためにロボットを遠隔操作する人間操作は,ロボット操作データの収集の主流方法である.遠隔操作インターフェースの選択は,データの品質,収集速度,操作者の疲労,コストに影響を直接及ぼします.各方法についてのより深い技術的な詳細については,当社の専用 [遠隔操作ガイド]
メソッド1:リーダーフォロワー・アーम्स (ACT/ALOHAスタイル)
動作方法: オペレーターは物理的に軽量な"リーダー"腕を移動する.より重い"フォロワー"腕は,直接USBダイナミクセルバスで3~8 msの遅延で,リーダーの関節位置をリアルタイムで複製する.これはALOHA,Mobile ALOHA,および2026年のほとんどの大学研究セットアップによって使用されるアプローチです.
なぜ最高のデータを生成するのか: 操作者は物理的なリーダー腕を通して自感反射を持っています
コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・コンピュータ・ コンピュータ・コンピュータ・コンピュータ・ コンピュータ・コンピュータ・コンピュータ・ コンピュータ・コンピュータ・コンピュータ・ コンピュータ・
** 生産量:** テーブル操作作業では1時間あたり20~35回のデモ. 接触力のある作業では最も速い方法です. 自覚反応は失敗した試みを減らすためです.
**** 深刻なデータ収集キャンペーン,接触型操作 (挿入,組み立て),双手作業,データの質が優先されるシナリオなどに最適です.
メソッド 2: VRヘッドセット (メタクエスト 3)
**動作方法:**操作者はVRヘッドセットを搭載し,ロボットのカメラフィードや混合現実のビューを表示します.手制御器の位置は,作業台で実行されている逆シナマティックを通じて,エンドエフェクター・カーテジアン位置にマッピングされます.
遅延: 15~40 ms端から端 (WiFi + IK計算 +腕コマンド). ほとんどの操作作業に適しているが,精密作業で目立つ.
ハードウェアコスト:500ドル ヘッドセットにはロボット腕,カメラ,コンピュータ以外には追加ハードウェアはありません
** 生産量:** テーブルタップ操作では1時間あたり15~25回のデモ. リーダーフォロワーよりも少し低いのは,操作者が自感フィードバックが欠けているため,精度作業で失敗した試みが多くなるため.
操作者の疲労: VRヘッドセットは6090分後に一部の操作者に吐き気を引き起こす.毎時間15分間の休憩を計画する.最大実用セッション:毎日34時間.
**予算上のチーム,サブミリメートル精度を必要としない任務,データ収集パイプラインの迅速なプロトタイプ作成,粗略な操作 (採集,配置,分類)
メソッド3: スペースマウス / キーボード
動作方法: 操作者は6軸のSpaceMouse (200ドル) または2つのアナログゲームパッドを使用してエンドエフェクター速度または関節速度を制御します.操作者はモニター上のライブカメラフィードを通じてロボットを監視します.
遅延: 1-5 ms (直接USB HID). どの方法よりも遅延が最低だが,制限された制御帯域幅はこの優位性を上回る.
** 生産量:** 時給5~12回の示例.最も遅い方法は,オペレーターが直接6DOFポーズを指定できないため,ジラキな軌跡と最適でない経路につながります.
データ品質: 他の方法よりも低い.操作者はそれぞれ独自のジョイスティック制御戦略を開発しているため,示例は一致性が低い.軌跡には騒音と躊躇が多くなる.
**他のインターフェースが存在しない時,高速プロトタイプ,モバイルロボットナビゲーションデータ,腕の軌道の滑らしさが重要でない作業に最適です.
4 方法: ハプティック・グローブ/エクソスケルト
**どのように機能するか:**操作者は手外骨体または触覚手袋 (SenseGlove Nova 2/pairで8,000ドルまたはHaptX G1/pairで20,000ドル) を着用し,指関節の角を追跡し,巧妙なロボットの手にマッピングします.力フィードバックは操作者に物体接触感を感じさせ,リアルタイムで握力調整することができます.
** 生産量:** 時給8~15回のデモ. 精巧な作業は,より複雑なシーケンス (多指握り,手中回転,配置) を伴うため,本質的に遅い.
操作者の疲労: 高.手袋は身体的に要求的です. 45分間のセッション制限,10分間の休憩.総日間のセッション制限: 4-5時間.
** 適当な操作研究,多指の握り,手中回転,道具使用,服装操作,指のレベル制御が不可欠であるすべての作業.
比較表
| Method | 精度（再現性） | Operator Learning Curve | Setup Cost | Demos/Hour | Ideal Task Types |
|---|---|---|---|---|---|
| Leader-Follower | Highest | 1-2 hours | $15K-$35K | 20-35 | Contact-rich, insertion, bimanual, assembly |
| VR / Quest 3 | Good | 30 min - 1 hour | $5K-$12K | 15-25 | Pick-place, sorting, packing, gross manipulation |
| SpaceMouse | Moderate | 2-4 hours | $3K-$8K | 5-12 | Prototyping, navigation, simple manipulation |
| Haptic Gloves | High (dexterous) | 3-6 hours | $25K-$55K | 8-15 | Multi-finger grasping, in-hand rotation, tool use |
エピソードデザイン原則
試算を集める前に,良いエピソードを構成するものを定義する必要があります.エピソードデザインが悪いのは,無駄なデータ収集の最も一般的な源です.データセットが成功する方針を訓練するかどうかを決定する5つのデザイン決定はこちらです.
任務の仕様
操作 者 が 一貫して 実行 できる 作業 の 正確な 明確 な 説明 を 書い て ください.悪: "物 を 拾い上げ て".善: "上 から 下 に ピンチ を 握る 方法 で 左 の 箱 から 赤 の 立方 を 掴んで,テーブル から 15 cm 以上 に 上げ,右 の 箱 の 中 に 移動 し,放出 する. 作業の仕様が明確であれば 演示が一貫性があり 政策が学ぶのが簡単になります
調整の一致性
舞台の初期状態を正確に定義する.テーブルにどんな物体が置かれているか.どこに置かれているか. ランダム化範囲はどれぐらい? 各エピソード開始時にロボット腕の位置はどのように位置づけられているか. 精密に定義されたリセット手順は,エピソード間の15~30秒を要する. 60秒以上かかるリセットや 曖昧な配置を伴う場合は ループットを失い 配分ノイズを導入し 訓練を劣化します
テーブルタスクでは,操作者がシーンをリセットするために使用するテンプレート (位置マーク付きの紙,または配列ガイド付きの固定紙) を作成します.定義された境界框 (通常15-25cm平方) の内のオブジェクトの位置をランダム化します. ランダム化範囲を正確に文書化します.
観測空間
結論付け時にポリシーが観察する内容を正確に定義し,収集中に正確にそれらの信号を記録する.典型的な観測空間は以下のとおりです.
- カメラ画像: 480x640分辨率で2~4ビュー (上頭,腕,側) 30fps.RGB-D用のインテルRealSense D405/D455またはRGBのみの標準USBカメラを使用します.
- 関節位置 (qpos): 50 Hz で関節角の浮動配列.最終次元としてグリッパー開口を含みます.
- 関節速度 (qvel): 50 Hz で関節角速度の浮動配列.
- エンドエフェクターポーズ: 選択的6DOF (位置 +方向) 50 Hz. カルテジアン空間政策に有用.
- グリッパー状態: 50 Hz でバイナリー (開/閉) または連続 (開口幅)
推論時に使わない信号を記録しないでください. 余剰未使用の観測次元は,無益な騒音と貯蔵コストを増加します.
行動空間
行動空間は,政策が予測するものを定義します. 2026年のほとんどの操纵政策では,行動は次のいずれかです.
- 共同ポジション目標: ACTと拡散政策において最も一般的な選択.
- エンドエフェクター速度: カートセイアの宇宙政策によって使用される. テレオペレーションインターフェースから命令されたエンドエフェクター速度を記録する.
- 絶対エンドエフェクターポーズ: 少なく使用されているが,一部のVLAモデルで使用されている. ターゲットエンドエフェクター6DOFポーズを記録する.
重要: 可能な限り,行動を共同空間に保存する.ほとんどの近代的政策 (ACT,拡散政策, pi-0) は共同空間で動作する.行動としてカーテジアンポーズを保存するには,訓練時にIK解決が必要であり,エラーが容易であり,計算上のコストが追加される.
集の長さ
作業を完了する際には,できるだけ短く話してください.典型的な話長さは:
- ** 簡単なピックアンド・プレイス:** 3-8秒 (150~400時間ステップ 50 Hz)
- 多段階操作: 10-25秒 (500~1,250時間ステップ)
- **複合組成:**30
90秒 (1,5004,500時間ステップ)
長いエピソード (>60秒) は,クレジット割り当ての問題が急激に増加するので,学ぶのが難しくなります.もしあなたの作業が自然に60秒以上かかると,推測中に鎖に連結されるサブタスクエピソードに分解することを検討してください.
どれ程のデータが必要か
必要なデモの数は,あなたの政策構造,課題の複雑性,そして望ましい成功率に依存します.
| Policy Type | Episodes Needed | Evidence | Notes |
|---|---|---|---|
| ACT（Action Chunking with Transformers） | 50 - 200 | ALOHA paper: 50 demos for simple tasks, 200 for bimanual | Most data-efficient architecture for manipulation. Quality matters more than quantity. |
| Diffusion Policy | 100 - 500 | TRI: 200 demos for 94% success on trained tasks | Handles multi-modal action distributions well. Benefits from diverse demonstrations. |
| VLA ファインチューニング (pi-0, OpenVLA, RT-2) | 500 - 2,000 | OpenVLA: 1K demos for single-task fine-tuning | Pre-trained on large data, but fine-tuning still needs substantial task-specific data. |
| From-Scratch 基礎モデル | 5,000 - 100,000+ | RT-2: 130K demos. Open X-Embodiment: 2.2M episodes across 22 robots. | Only relevant if building a generalist model. Most teams should fine-tune instead. |
** 重要な洞察:** 50 件の高品質のデモは,毎回 500 件の低品質のデモを上回る. 100 件の簡単な作業のデモで70%以上の政策の成功が達成できない場合は,問題はデータ品質やパイプラインのバグではなく,データ量です.もっと多くを収集する前に,それらの問題を最初に修正してください.
データの形式 深層ダイビング
適切なデータフォーマットを早期に選択すると,後期に苦しい移行が防ぐ.ロボットコミュニティは3つの主要なフォーマットに収束している.完全な技術比較については,私たちの専用 [HDF5 vs RLDS vs LeRobotフォーマットガイド]
HDF5 (階層データ形式 5)
HDF5はロボット示範データで最も広く使用されるフォーマットである.それは効率的なランダムアクセスで単一のファイルに異性的なデータ (関わった位置,画像,メタデータ) を保存する.ACTと拡散ポリシーコードベースは HDF5 をネイティブに使用する.
エピソード構造: 各エピソードは観測,アクション,メタデータ属性に関するデータセットを含むグループです.
/episode_0/
observations/
images/
cam_high # uint8 [T x 480 x 640 x 3]
cam_wrist_left # uint8 [T x 480 x 640 x 3]
cam_wrist_right # uint8 [T x 480 x 640 x 3]
qpos # float32 [T x 14] (7 joints per arm)
qvel # float32 [T x 14]
action # float32 [T x 14] (leader arm positions)
attrs:
task = "pick_cube_bimanual"
operator_id = "op_03"
success = True
timestamp = "2026-04-10T14:32:00Z"
robot_serial = "openarm_007"
** HDF5 をメインのコレクションとストレージ形式として使用する時:** 要求に応じて他のフォーマットに変換する. HDF5 は最も検査に適したフォーマットであり,成熟した Python ツール (h5py, HDFView) を備えています.
RLDS (補強学習データセット)
GoogleのRLDSフォーマットはTFRecordファイルを使用して標準化されたスケーマを使用しています.これはOpen X-Embodiment (2.2M+エピソード22種類のロボット) とOcto一般主義ポリシーのためのネイティブフォーマットです.
**強み:**標準化されたスキーマは,データセットごとにアダプターなしでクロスデータセットトレーニングを可能にします.
フォローのデフォーク:** TensorFlow依存はPyTorchチームに摩擦を加える.順序的なアクセスパターン (効率的なランダムフレームアクセスがない).スケーマは硬い.
レロボットフォーマット (ハグリングフェイス)
Hugging Face の LeRobot フォーマットは,表格データのための パークレット ファイルとカメラ観測のための MP4 ビデオを使用しています.
強度: ハグジング・フェイスハブに1つのコマンドでアップロードする. Web ビジュアライゼーション内蔵. コンパクト MP4 ストレージ (5-10x 粗製の HDF5 より小さい). 300+ の公開データセットを持つコミュニティの成長.ネイティブ ACT と ディフúション ポリシー の 訓練サポート.
弱点: MP4エンコーディングは損耗性 接触敏感な作業の真実源形式として適していない.ビデオデコードはトレーニング中に遅延を加え,新しいフォーマットでツールが進化している.
**Hugging Face Hubで共有するLeRobotフォーマットに輸出するために,Open X-Embodimentの互換性が必要な場合は,RLDSのためのカスタマイズされたデータセットビルダーを作成します.
品質管理チェックリスト
質は政策のパフォーマンスを直接決定します.RCSVで使っている10ポイントのQCフレームワークはこちらで,ロボットデータを収集する各チームに推奨しています.
- タスクの成功確認: 各エピソードは,完全なタスクを成功に完了しなければならない.失敗したデモ (落下されたオブジェクト,失ったキャップ,不完全な軌跡) は,政策訓練に積極的に害を与える.リアルタイム品質レビューを実施する:観察者は,収集直後に各エピソードを成功/失敗としてマークする.目標:最終データセットで95%以上の成功率.
- タイムスタンプ同期: すべてのセンサーストリーム (カメラ,関節状態,アクション) は,時間スタンプと <5 ms 耐容性で同期する必要があります.ハードウェアで触発されたカメラ (ワークステーションからのGPIOパルス) と共有の時計源 (クロニカルNTPまたはIEEE 1588 PTP) を使用してください.既知のイベント (腕接触表) を記録し,すべてのストリームを5 ms 以内にイベントを示すことを確認します.
- 軌道の一貫性: 特定の作業では,示範は同様の戦略に従う必要があります.オペレーター A が左から選択し,オペレーター B が右から選択した場合,ポリシーは両例で失敗する曖昧な二模分布を学んでます.収集開始前にアプローチ戦略,把握点,配置位置を定義します. 週ごとに監査軌道の分布.
- シーン多様性: システム的にオブジェクトの位置 (定義された境界框内のランダム),オブジェクトインスタンスの (3-5 個カテゴリー),照明条件 (上頭,角,薄) と背景混乱を変化させる.各収集セッションの多様性パラメータを文書化する.多様性がない場合,ポリシーはあなたのラボの正確なシーンレイアウトに超えます.
- フレーム落後モニタリング: カメラストリームを落後フレームにチェックする必要があります.単一の落後フレームは,シーケンスベースのポリシーを混乱させる時間間断続性を作り出します.リアルタイムでフレーム落後率をモニタリングします.フレーム損失の2%以上を伴うエピソードを拒絶し,原因を調査します (USB帯域幅,計算ボトルネック).
- **グリッパー状態の一貫性:**カメラの証拠に対してグリッパーの開閉信号を検証する.幻覚グリッパー事件 (データによるとグリッパーが閉じたがカメラが示した通りではない) は,騒音なグリッパーセンサーで驚くほど一般的です.フラグと修正または影響を受けたエピソードを排除する.
- 関節制限の遵守: ロボットの安全な動作範囲の外に関節の位置を含まないこと.近似単一性構成は,アクション分布に異常値を生む極端な関節速度を生成する.ハードウェア制限の内側にソフトウェア関節制限を5度設定する.
- エピソード長さの制限: 課題の最小および最大エピソード長さを定義する. 予定範囲よりも大幅に短く (タスクが完了していない) または長く (オペレーターが躊躇し,ほぼ失敗から回復する) のエピソードはレビューのためにマークする必要があります.
- メタデータ完全性: 各エピソードには:タスク名,オペレーターID,タイムスタンプ,ロボットシリアル番号,カメラ設定,成功/失敗ラベル,異常に関するフリーテキストメモが必要です.不完全なメタデータはデータセット管理,品質分析,再生性を不可能にする.
- **オペレータ間一貫性:**複数のオペレータを使用する場合,各オペレータ間の軌道の分布を週に比較してください. 合意から顕著に偏っているオペレータを再訓練または排除する必要があります. 結合軌道の間のダイナミックタイムワルピング (DTW) を定量一貫性メトリックとして使用します.
試行試験から生産までスケーリング
概念証明データセットから生産規模データへの経路は 各段階に意図的なインフラ投資が必要である.
ステージ1: 概念の証明 (50話)
操作者,ロボット,タスク.目的は,あなたの遠隔操作設定,データパイプライン,トレーニングコードを検証することです.このデータに基づいて ACTまたは拡散政策モデルを訓練し,実際のロボットで評価します.簡単なタスクの50回の示例で70%以上の成功を得られない場合は,データ品質やパイプラインバグが問題であり,データ量ではありません.根源を修正するまで,より多くのデータを収集しないでください.
時間軸: 1-3日 コスト (内部): 200~500ドル 運用時間
ステージ2:初級訓練 (200話)
集合プロトコルがオペレーター独立であることを確認するために,第2のオペレーターを追加します. 自動品質チェックを実行します.エピソード長さの制限,共同制限違反,成功/失敗分類. 品質メトリックを体系的に追跡を開始します. この段階では,簡単なタスクで政策の成功率を80〜90%以上見ることができます.
営業時間: 12週間. 営業時間: 6001,500ドル.
ステージ3: 制作政策 (1000話)
標準的なハードウェア構成を持つ24つの並行収集ステーションを展開する.すべてのステーションからのエピソードを集計し,品質チェックを実行し,毎晩トレーニング準備のデータセットを生産する中央データパイプラインを使用する.このスケールでは,オペレーター管理はボトルネックになります.週間にわたって一貫した品質を維持できる48のオペレーターを募集し,訓練し,保持します.
主要投資:
- 自動リセットメカニズム: 手動でシーンリセットする15~60秒を削減します. 1,000エピソードで1話あたり15秒を節約しても,操作時間の4時間以上を節約します.
- リアルタイム品質ダッシュボード: ステーションあたりの通路率,成功率,および運営者や監督に可視の品質メトリック. [RCSVデータプラットフォーム] (T5
) はこれを無条件で提供しています. - **標準化校準:**複数の駅では,カメラ外部とロボットベース校準を標準化する必要があります.駅間の2mm校準誤差により,システム的な騒音が発生します.
時間線: 2駅で2週間 コスト (内部): 3,0008,000ドル 運用時間,30100,000ドル ハードウェア.
第4段階:財団モデル貢献 (10,000+エピソード)
この規模では,基礎データセットを構築しています.コミュニティの利益と引用効果のためにオープンデータセット (Open X-Embodiment, DROID) に貢献することを検討してください.相互運用性のために RLDSまたはLeRobotフォーマットを使用してください.タスクオントロジーとメタデータ基準に投資してください.
時間軸: 4つの駅で26ヶ月. コスト (内部): 運営時間で15,00050,000ドル以上.
建設を完全に省略する.
費用計算機:内社対RCSV管理
データ収集の本当のコストを理解することで チームが情報に基づいたビルド・バンス・バイ決定をすることが可能になります. 500話のシングルタスクキャンペーンをリアルな比較です.
| Cost Category | In-House | RCSV Managed |
|---|---|---|
| Hardware (robot + teleop + cameras + compute) | $15,000 - $35,000 | $0 (included) |
| Infrastructure setup (workspace, calibration, software) | $2,000 - $5,000 | $0 (included) |
| Operator recruitment and training | $1,000 - $3,000 | $0 (included) |
| Operator labor (500 episodes at 20 demos/hr, $35/hr) | $875 | Included in campaign price |
| QA and quality review | $500 - $1,500 | $0 (included) |
| Engineer time (pipeline, debugging, monitoring) | $5,000 - $15,000 | $0 |
| Total | $24,375 - $60,375 | $8,000 - $15,000 |
| Effective cost per episode | $49 - $121 | $16 - $30 |
内部コストには,500エピソード以上のキャンペーンで代償済みのハードウェアが含まれます.12ヶ月間に5000以上のエピソードを収集する予定であれば,内部は規模でより経済的になります.一次性または初回のキャンペーンでは,エンジニア時間と機会コストを考慮すると管理された収集は通常2~4倍より費用効率的です.
7 チームが最初にデータセットを収集するときに犯す一般的な間違い
数十のチームと 最初のデータ収集キャンペーンで働いた後 同じ間違いを何度も目にします これらを避けると 何週間も無駄な努力を節約できます
- トレーニングパイプラインの検証前にデータを収集する. チームはハードウェアを購入し,500エピソードを収集し,その後,すべてのデータを使用できないバグがあることを発見します.常に10〜20エピソードでテストを始める前にトレーニングします.パイプラインは,ロボットを合理的に動かすポリシーを作成することを確認してください (作業に失敗しても) 規模投資する前に.
- 操作者の訓練を無視する. 未訓練された操作者は訓練された操作者よりも3~5倍劣悪なデータを生成する.新しい操作者の最初の20回の示例は校准データとみなされ,廃棄されるべきである.生産データ収集前に 2-4時間操作者の訓練に投資する.
- 不一致なリセット. シーンはエピソード間一貫してリセットされない場合,ポリシーは任意のスタートステートを含む分布を学習します.これは強力なポリシーの学習に必要なデータを劇的に増加します.データを収集する前に繰り返しリセット手順を構築する時間を費やします.
- リアルタイムで品質を監視していない. チームはしばしばデータセット全体を収集し,その後,最後の200話には位置を変化させたカメラや幻信号を発射し始めたグリッパーセンサーがあったことを発見します.
- 誤ったアクションスペースに記録する. カルテジアンエンドエフェクターを収集することは,あなたのポリシーが共同ポジションを期待するときに (または逆に) 起こる.すべてを再処理または再収集することを意味します.収集前にあなたのアクションスペースを決定し,記録されたアクションフォーマットがあなたのトレーニングコードに正確に一致していることを検証します.
- シーン多様性を過小評価する. 対象が常に同じ位置に置かれたデモを訓練した方針は,対象が5cm左に移動すると失敗します. 対象の位置,照明,および対象例を最初のエピソードから体系的にランダム化します.
- ** メタデータを省略する.** "後にはメタデータを追加する"とは"決してメタデータを追加しない"という意味です.各エピソードにタスク名,オペレーター ID,タイムスタンプ,ロボットシリアル,カメラ設定,成功/失敗ラベルを記録します.これは10秒で1エピソードで日々の混乱を節約します.
RCSV が 訓練 データを 収集 する よう
シリコンバレーのロボットセンターは,独自の収集パイプラインを構築せずに,高品質のロボット示例データを必要とする MLチームのために,専用のデータ収集インフラストラクチャを運営しています.ハードウェア,オペレーター,QA,およびフォーマット変換を処理します.
- **管理されたデータ収集: ** 50話のパイロットから1万以上のエピソードキャンペーンまで. 任務を指定します. 私たちは HDF5, RLDS,またはLeRobot形式でデータセットを配信します.
- ハードウェアパッケージ: 検査室に導入準備を整える,事前に設定されたデータ収集ステーション (OpenArm + カメラ + コンピューティング + ソフトウェア).
- **オープンデータセット: ** 公開利用可能なロボット操作データセットのライブラリを閲覧してください.
- **データプラットフォーム: ** RCSV Fearless Platformを通じてデータセットをアップロード,視覚化,QA,および輸出する.
ロボットデータ収集が必要ですか?
RCSVは訓練を受けたオペレーター,質の高いパイプライン,迅速なターンアワーディングの多駅データ収集施設を運営しています.あなたの任務について教えてください.
[データサービス](