【VLA】如何构建高质量的机器人训练数据集？

在 LeRobot 社区，我们发现数据集的质量直接决定了机器人策略（Policy）的可靠性与泛化能力。为了提升自动化清洗效率并优化训练效果，我们总结了当前社区数据集常见的“四大坑”，并为你准备了一份保姆级录制清单。

一、 常见问题：为什么你的数据集不好用？

在开发自动化策展流水线（Curation Pipeline）时，我们发现了以下四大痛点：

1. 任务标注（Task Annotation）太模糊：
   语义是认知系统的核心。目前很多数据集存在任务描述为空、太短（如“Hold”）或毫无意义（如“task1”）的问题。这会导致机器人无法准确理解动作意图。
2. 特征命名（Feature Mapping）不规范：
   例如使用images.laptop这种标签，我们无法判断它是第三人称视角还是腕部相机。这种混乱增加了后期人工映射的成本。
3. 数据不完整或索引破损：
   部分序列只有寥寥几帧，或者手动删除了文件却未更新元数据索引，导致训练时读取中断。
4. 维度与格式不一致：
   即使是同一种机器人（如 SO-100），不同作者采集的动作/状态维度也往往不统一，难以进行大规模联合训练。

二、 黄金标准：优秀数据集长什么样？

为了解决上述问题，我们建议在数据采集过程中严格遵守以下LeRobot 录制规范：

1. 视觉质量：给机器人一双“清晰”的眼睛

• 多视角并行：建议至少保留2 个相机视角。
• 画面稳定：严禁相机晃动，确保曝光一致、对焦清晰。
• 光线中性：避免过蓝或过黄的极端灯光。
• 画面纯净：Leader Arm（操纵臂）严禁入镜；画面中除了机器人 Follower Arm 和目标物体外，不应有其他移动物体（如人的肢体）。
• 高分辨率：至少达到720p。

2. 规范命名：标准化的语义表达

遵循<模态>.<位置>的命名格式，禁止使用设备名：

• 推荐：images.top/images.left/images.front
• 腕部相机：需注明方位，如images.wrist.left或images.wrist.bottom。
• 拒用：images.laptop或images.phone。

3. 任务描述：不仅是文字，更是指令

• 精准描述：例如“捡起黄色乐高块并放入盒子”。
• 字数控制：保持在25–50 个字符之间，既要详细又要精炼。
• 拒绝敷衍：严禁使用task1、demo2等无意义名称。

4. 协议与元数据：保持逻辑一致性

• 帧率统一：建议设定在30 FPS左右。
• 动态更新：如果删除了某些失败的 Episode，务必同步更新元数据索引文件，确保数据流的连续性。

三、 总结：LeRobot 数据采集核查清单

你可以直接参考下图这张录制清单（Checklist），在每次按下“录制”键前对照检查：

结语：
一个整洁、规范的数据集是迈向通用机器人智能的第一步。通过标准化的标注与高质量的视觉输入，我们可以让 LeRobot 社区的策略模型变得更加强大。

想要了解更多？可以访问 GitHub 仓库：git@github.com:huggingface/lerobot.git