公开机器人数据集体检报告 — RDA v0.5.2 实测

我们用 RDA 对 11 个公开 LeRobot 格式数据集、共 4,909 条 episode 做了完整审计——覆盖仿真与真机、脚本与人工遥操作、科研机械臂和百元级爱好者硬件。结果汇总：

说明：所有数据集的完整性层（NaN/Inf、时间戳合法性、丢帧、schema）全部干净。libero 的 1,690/1,693 集读到 0 帧——是数据集本身的 meta/布局不匹配问题，RDA 会标记 EXCLUDE 而不是静默通过（这类问题不测根本发现不了）。bridge 为抽样 25 集，其余 10 个全量审计。aloha_sim_transfer_cube_human 现在是受限仓库拉不下来，用的是 v0.5.1 时的实测值：1/49/0、1,535 尖峰、71.2% 空闲。

训练之前值得知道的五个模式

1. 空闲率中位数从 20.8% 到 93.3%，11 个里有 8 个超过 65%。 在一个 75% 帧都在"发呆"的分布上训练，损失函数会结构性偏向预测"什么都不做"——除非你做加权或课程学习。Bridge 数据更是冲到 93%。这个数应该在烧 GPU 之前测，不是烧完之后。

2. 同一款机器人、同一个实验室，空闲率差 4 倍。 xarm_lift_medium：空闲 20.8%，767/800 集直接 PASS。xarm_push_medium：空闲 83.3%，562/800 集待复核。平台一样，差别只在任务难度（抓起 vs 推平物）。高空闲不一定是 bug，它是你必须知道并设计进去的任务属性——RDA 两边都会如实报告，不会为了制造焦虑逢数据必报。

3. 动作尖峰跟的是控制器，不是数据集的名气。 仿真 ALOHA 和 SO-100 爱好者设备在 100% 的集里都有大幅动作跳变；xArm lift 数据 800 集总共只有 6 个尖峰。如果你的策略用了平滑正则，或者要做 sim-to-real 的动作统计对齐，这个数字直接决定你的训练方案。

4. "完整性干净" ≠ "训练数据好"。 11 个数据集完整性层全部通过——零 NaN、零时间戳倒流、零丢帧。但行为层仍在多数数据集里给 45%–98% 的集打出了待复核（REVIEW）。两层都得查，而大多数流水线两层都没查。

5. 最便宜的硬件产出最贵的数据。 社区 SO-100 抓放数据集：空闲中位数 86.7%，外加每集都有动作尖峰。如果你在用爱好者上传的数据做微调，这就是你继承到的起点。

复现

pip install robot-data-audit rda audit <任意 lerobot 数据集> -v rda recommend <数据集> --policy temporal # 或 frame-wise；--lang en 出英文报告

工具：GitHub - liesliy/rda: Robot Data Audit (RDA) - Quality auditing + optimization recommendations for robot manipulation datasets (LeRobot format) · GitHub · PyPI：robot-data-audit · 可视化界面：rda ui（中英文切换）

免责声明：RDA 标记的是统计异常，不是真值错误。REVIEW 的意思是"训练前先看一眼"，不是"扔掉"。所有阈值都欢迎来 issue 讨论。