训练数据越多越好吗？用LeRobot讲清数据质量与版本化

机器人训练失败，很多人第一反应是换更大的模型。更常见的真相却是：摄像头画面和动作错了几帧、失败片段被当成成功样本，或同一房间的数据同时进了训练集和验证集。读完这篇，你会知道“数据质量”到底检查什么，并用一段纯 Python 脚本先抓住最常见的时序问题。

最新事件：训练表也可以是搜索索引

Hugging Face 社区在 9 月 24 日发布 LeRobot 与 LanceDB 的集成实践。官方文章显示，LeRobotDataset 可以直接读取 Lance 表，从对象存储按批取数、全局打乱，还能把视觉向量、动作粗糙度、成功标记等放在同一张版本化表中。训练器读取的版本与分析人员搜索的版本因此可以一致。

文章给出的 DROID 实验包含 2763 万帧、95658 个 episode（一次完整任务轨迹）和 369GB 视频。相同采样顺序下，远程 LanceDB 方案的稳定吞吐为每秒 495 个样本，本地 NVMe 读取为 361；但这是特定的 8×H100、缓存与数据布局结果，不等于所有云存储都会更快。

它解决的不是“存在哪”，而是“训练了哪一份”

生活类比是厨房备菜：食材放进更大的冰箱并不会自动变新鲜。真正有用的是每盒食材有批次、质检结果和去向，厨师能复现昨天那道菜用了哪一批。

类比的边界是，训练样本之间存在时间依赖，不能像土豆一样随意交换。准确地说，数据版本化是把原始媒体、状态、动作、派生特征、筛选条件和版本标识绑定，让同一个查询在固定版本上得到同一批样本；数据质量则判断这些样本是否与任务语义、时间和评测边界一致。

最小实践：先找动作时延和异常抖动

下面用合成数据演示两个检查：相邻动作变化是否过猛，以及观测与动作在哪个时移下最匹配。它不是 LeRobot 或 LanceDB 的替代品，而是可以嵌入数据回填任务的最小质量函数。

from statistics import mean

observations = [0.0, 0.2, 0.5, 0.9, 1.2, 1.4, 1.5]
actions =      [9.9, 0.0, 0.2, 0.5, 0.9, 1.2, 1.4, 1.5]
noisy_actions = [0.0, 0.0, 0.2, 0.5, 0.9, 1.2, 2.9]

def mse_at_lag(obs, act, lag):
    pairs = [(obs[i], act[i + lag])
             for i in range(min(len(obs), len(act) - lag))]
    return mean((x - y) ** 2 for x, y in pairs)

def best_lag(obs, act, max_lag=3):
    scores = {lag: mse_at_lag(obs, act, lag)
              for lag in range(max_lag + 1)}
    return min(scores, key=scores.get), scores

def jerk_score(act):
    velocity = [b - a for a, b in zip(act, act[1:])]
    acceleration = [b - a for a, b in zip(velocity, velocity[1:])]
    return max(abs(x) for x in acceleration)

lag, scores = best_lag(observations, actions)
print("best_lag=", lag, "scores=", scores)
print("jerk_score=", round(jerk_score(noisy_actions), 3))
assert lag == 1
assert jerk_score(noisy_actions) > 1.0

依赖只有 Python 标准库。保存为 quality_check.py 后运行 python quality_check.py。本次在 Python 3.9 实际运行，最佳时移为 1，抖动分数为 1.4，两条断言通过。关键不是阈值 1.0，而是先用真实设备的正常轨迹建立分布，再把异常样本送人工复核。