Nono_小鱼饼饼(@BubbleBing_666):还有一块我之前写得很少：它不是把一条操作录完就算结束。一条已经通过验证的轨迹，后面还会继续换相机位置、光线、材质、物体摆放，甚至部分物理条件，再拿去做训练。我觉得这件事挺划算，现实里想让机器人见过更多情况，最笨的办法就是把场景重新摆一遍，再让人重新操作一次。灯光换一次录一次，桌面换一次录一次，物体位置动一下再录一次。做到后面，时间全花在重复准备上。 Axis @axisrobotics 把其中一部分变化放到数据处理阶段，一条原本只对应一个场景的操作，就有机会覆盖更多情况。这里也有边界。变化加得太随意，数据会越来越“假”；保留得太保守，又起不到扩展作用。比如视觉上换光线问题不大，但某些物理条件改过头，原本那套动作未必还成立。所以我会看 Axis 后面怎么拿捏这个尺度。一条人工操作能安全地扩成多少种有效变化，直接关系到它每收一条数据到底能榨出多少训练价值。这比单纯把 trajectory 数字继续往上堆，更像是在算数据的利用率。

2026.09.14 02:24

还有一块我之前写得很少：它不是把一条操作录完就算结束。一条已经通过验证的轨迹，后面还会继续换相机位置、光线、材质、物体摆放，甚至部分物理条件，再拿去做训练。我觉得这件事挺划算，现实里想让机器人见过更多情况，最笨的办法就是把场景重新摆一遍，再让人重新操作一次。灯光换一次录一次，桌面换一次录一次，物体位置动一下再录一次。做到后面，时间全花在重复准备上。 Axis @axisrobotics 把其中一部分变化放到数据处理阶段，一条原本只对应一个场景的操作，就有机会覆盖更多情况。这里也有边界。变化加得太随意，数据会越来越“假”；保留得太保守，又起不到扩展作用。比如视觉上换光线问题不大，但某些物理条件改过头，原本那套动作未必还成立。所以我会看 Axis 后面怎么拿捏这个尺度。一条人工操作能安全地扩成多少种有效变化，直接关系到它每收一条数据到底能榨出多少训练价值。这比单纯把 trajectory 数字继续往上堆，更像是在算数据的利用率。