Data Pyramid：机器人学习数据的分层体系与实践指南

机器人学习的数据困境，已经不再是“数据不够多”，而是“数据不够对”。过去几年，我们从机械臂示教、遥操作采集、仿真环境生成、互联网视频中拿到了海量数据，但把这些数据丢进模型之后，效果往往并不理想：有的数据噪声太大，有的任务定义不清晰，有的场景与真实部署环境严重脱节。北大等机构联合提出的 Data Pyramid 系统，试图用一套五层数据金字塔来回答一个根本问题——机器人到底应该从什么数据中学习。

这篇文章会带你拆解 Data Pyramid 的核心设计思路、五层数据结构的划分逻辑，以及这套体系对机器人数据工程、仿真到真机迁移、模型预训练等环节的实际影响。同时，我会用一段 Python 示例代码演示“如何按金字塔思想组织机器人学习数据”，并给出常见误区和工程落地的建议。不管你是做机器人算法、数据采集，还是在折腾仿真平台，这篇文章都值得收藏备用。

1. 背景与核心概念：机器人学习为何需要“数据分层”

1.1 机器人学习数据的现状与矛盾

先看一个很常见的场景：你打算训练一个机械臂抓取模型，于是去公开数据集下载了一批抓取数据，又用仿真引擎随机生成了大量场景，最后还录了几段真实示教视频。数据总量看起来不少，但模型训练完之后，泛化能力很差，换一个光照环境、换一个物体颜色，抓取成功率就明显下降。

这不是模型结构的锅，更多是数据组织方式的问题。

机器人学习的数据有三个典型特征：

• 来源多样：真实传感器、仿真渲染、遥操作、互联网视频、人类演示，格式和语义完全不一样。
• 质量不均：有的数据标注准确，有的数据含有大量噪声，有的场景根本没有覆盖目标任务。
• 层级混乱：原始像素、点云、关节角、任务描述、奖励信号混在一起，没有一个清晰的层级结构。

如果把这些数据不加区分地喂给模型，模型很难知道“什么是重要的”“什么是背景噪声”“什么是任务目标”。

1.2 Data Pyramid 要解决的核心问题

Data Pyramid 系统的核心出发点，是给机器人学习数据建立一个“金字塔式”的分层体系。

金字塔底层的结构通常代表海量、低语义、低成本的原始数据，越往上走，数据的语义越丰富、标注成本越高、规模越小。类似于计算机视觉领域常用的“数据金字塔”，机器人学习也需要从不同抽象层次组织数据。

这样做有一个非常实际的好处：不同层次的数据服务于不同阶段的学习目标。

• 底层数据负责让模型建立对物理世界的基本感知能力，比如物体是什么、空间关系是什么。
• 中间层数据负责教会模型具体的行为技能，比如抓取、推动、放置。
• 顶层数据负责让模型理解任务目标和约束，比如“把红色杯子放到托盘上”而不是“运动到坐标(1.2, 3.4, 0.5)”。

换句话说，Data Pyramid 不只是把数据分了个类，而是提供了一套“从数据到知识”的筛选机制。

1.3 对开发者的意义

看到这里你可能会想：这听起来更像是一个研究框架，和我做工程有什么关系？

关系很大。

在实际机器人项目中，我们经常遇到下面的问题：

• 采集了 100 小时视频数据，但标注成本太高，真正能用的只有 2 小时。
• 仿真数据生成了几十万条，但 sim-to-real 迁移后效果大打折扣。
• 人类演示数据里有大量无关动作，模型把“调整姿势”和“执行任务”混在一起学习。
• 多模态数据（视觉、力觉、关节角）时间戳对不齐，训练时直接报错或者学出错误关联。

Data Pyramid 的思想可以帮我们在数据采集、数据清洗、数据集构建阶段就做好分层规划，而不是等模型训练失败后再回头排查数据问题。

2. 环境准备与概念工具

虽然 Data Pyramid 更多是一个数据体系设计思路，但我们可以借助一些常用工具来实践这套方法论。下面以 Python 环境为例，演示如何构建一个“小规模的数据金字塔处理流水线”。

2.1 语言与库版本说明

• Python 3.8 及以上版本。
• pandas 用于数据结构化处理。
• numpy 用于数值计算。
• json 用于保存任务描述与元数据。
• Open3D 或 trimesh（可选）用于处理点云/网格数据，这里不强制安装。

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。

pip install pandas numpy

如果你的项目涉及点云数据处理，可以额外安装：

pip install trimesh open3d

2.2 示例项目结构

为了演示方便，我们创建一个机器人学习数据处理的模拟项目：

robot_data_pipeline/ ├── raw/ │ ├── episode_001/ │ │ ├── rgb/ │ │ ├── depth/ │ │ ├── joint_states.json │ │ └── task_description.json │ └── episode_002/ ├── processed/ │ ├── level1_raw/ │ ├── level2_physical/ │ ├── level3_behavior/ │ ├── level4_task/ │ └── level5_eval/ ├── organize_data.py └── metadata.csv

这里的raw目录存放原始采集数据，processed目录按金字塔层级组织处理后的数据，organize_data.py负责完成分层处理。

3. 五层数据金字塔的原理拆解

关于 Data Pyramid 的具体五层划分，不同版本的解读会略有差异。这里我按照机器人学习从“感知”到“认知”的自然递进关系，整理出一种较常见、也便于工程落地的分层方式。

3.1 第一层：原始传感数据层（L1）

这一层是所有数据的起点，包含机器人传感器直接采集的原始信号。

典型形式：

• RGB 图像、深度图、点云。
• 关节角度、关节速度、力矩。
• 惯性测量单元（IMU）数据。
• 麦克风阵列音频（如果涉及语音交互）。

特点：

• 数据量最大，通常以 GB 甚至 TB 计。
• 语义密度最低，单看一帧图像很难理解任务目标。
• 包含大量冗余和噪声。

这一层解决的核心问题是：让模型理解“物理世界长什么样”。很多自监督视觉模型、世界模型，都是在这一层数据上进行预训练的。

3.2 第二层：物理交互数据层（L2）

第二层在原始数据的基础上，引入机器人动作与物理环境之间的交互关系。

典型形式：

• 关节力矩与接触力之间的响应。
• 物体在被推动、抓取、按压时的运动变化。
• 机器人本体运动引起的传感器读数变化。
• 抓取成功/失败的物理反馈信号。

这一层解决的核心问题是：让模型理解“动作会带来什么物理结果”。比如，当你按下机械臂的夹爪，物体是会被夹住还是会滑落？这个因果关系需要从交互数据中学习。

在 Data Pyramid 的视角下，L2 数据通常是仿真环境最容易大规模生成的数据，但也是与真实世界差距最大的数据。这里需要特别关注仿真物理引擎参数（摩擦力、阻尼、碰撞恢复系数）的设置。

3.3 第三层：任务与行为数据层（L3）

第三层开始进入“技能层面”。这一层的数据通常来源于人类示教、遥操作或任务级仿真，包含完整的任务执行序列。

典型形式：

• 一段完整的“拿起-移动-放下”轨迹。
• 人类示教视频中提取的关键帧动作序列。
• 强化学习中的状态-动作-奖励三元组。
• 子任务拆解序列。

这一层解决的核心问题是：让模型学会“完成一个技能”。与底层数据不同，这里需要明确的数据分割和动作语义标签。

比如，机械臂抓取可以拆成“接近物体 -> 接触物体 -> 施加夹取力 -> 抬起 -> 移动”等多个阶段，每一阶段的数据最好单独标注，才能让模型学到阶段之间的转换逻辑。

3.4 第四层：任务目标与语义理解层（L4）

第四层是连接“语言/符号”和“机器人动作”的关键层次。

典型形式：

• 自然语言任务描述：“把桌上的苹果放到蓝色碗里”。
• 结构化任务规格：目标物体ID、目标位置、约束条件。
• 任务成功判断标准。
• 语义场景图。

这一层解决的核心问题是：让模型理解“任务意图”。同样都是“拿起杯子”，是拿起来递给用户，还是拿起来放到另一个位置？行为上可能都有“拿起”这个动作，但任务目标完全不同。

缺少这一层数据，模型学到的只是“动作的拟合”，而不是“意图的理解”。

3.5 第五层：评估与安全数据层（L5）

顶层数据不直接用于训练，而是用于评估、校准和安全约束。

典型形式：

• 各种环境下的边缘测试场景（光照变化、物体颜色变化、背景杂乱）。
• 安全边界数据，比如夹爪接近障碍物时应该停止的临界条件。
• 人工评估标注：专家对机器人行为质量的打分。
• 决策解释记录。

这一层解决的核心问题是：如何证明模型真的学会了，以及如何保证安全。在实际机器人部署中，L5 数据的地位往往比训练数据更重要，因为它决定了系统能不能在真实环境中稳定工作。

3.6 层间关系与数据组织原则

五层之间不是彼此独立的，而是一种“底层支撑上层、上层反馈底层”的关系：

• L1 数据支撑 L2 的物理关系建模。
• L2 数据帮助 L3 识别行为边界。
• L3 数据为 L4 提供动作原生表达。
• L4 数据让模型理解任务抽象。
• L5 数据反过来校验 L1-L4 的质量。

在数据工程实现上，每一层的数据应该独立存储、独立标注、独立评估，同时在数据集的元数据中保留层间索引关系。这样，当你需要增加某个技能时，只更新 L3 和对应的 L2 数据，而不必重新组织整个数据集。

4. 完整实战案例：构建一个迷你 Data Pyramid 数据流水线

下面我们用 Python 演示如何模拟构建一个五层数据金字塔。这里不涉及真实机器人采集，而是用示例数据演示分层、清洗、聚合和组织的过程。

4.1 创建项目结构

先创建目录结构，可以直接在终端执行：

mkdir -p robot_data_pipeline/{raw,processed/{level1_raw,level2_physical,level3_behavior,level4_task,level5_eval}}

4.2 定义数据结构

我们需要定义几个核心数据结构：

# 文件路径：robot_data_pipeline/data_models.py from dataclasses import dataclass, field from typing import Dict, List, Optional @dataclass class RawSensorData: """第一层：原始传感数据""" episode_id: str rgb_paths: List[str] depth_paths: List[str] joint_states: List[Dict] timestamps: List[float] @dataclass class PhysicalInteractionData: """第二层：物理交互数据""" episode_id: str contacts: List[Dict] forces: List[Dict] object_states: List[Dict] @dataclass class BehaviorData: """第三层：任务与行为数据""" episode_id: str skill_name: str action_sequences: List[Dict] subgoal_segments: List[Dict] @dataclass class TaskGoalData: """第四层：任务目标与语义理解""" episode_id: str task_description: str structured_goal: Dict success_criteria: str @dataclass class EvalData: """第五层：评估与安全数据""" episode_id: str test_scenes: List[str] safety_constraints: List[str] expert_scores: Optional[Dict] = None

这里用 dataclass 定义数据模型的目的是让每一层的数据结构清晰可扩展。在实际项目中，你可以把这些模型替换成数据库表的 schema，或者 Parquet 文件的分区结构。

4.3 编写数据处理主程序

接下来编写数据处理主程序：

# 文件路径：robot_data_pipeline/organize_data.py import json import shutil from pathlib import Path import pandas as pd from data_models import ( RawSensorData, PhysicalInteractionData, BehaviorData, TaskGoalData, EvalData, ) RAW_ROOT = Path("./raw") PROCESSED_ROOT = Path("./processed") def load_episode_meta(episode_dir: Path) -> dict: """加载一个 episode 的元数据""" meta_path = episode_dir / "task_description.json" with open(meta_path, "r", encoding="utf-8") as f: return json.load(f) def organize_level1(episode_dir: Path, target_root: Path): """处理 L1：原始传感数据，按固定结构复制原始文件""" episode_id = episode_dir.name target_dir = target_root / "level1_raw" / episode_id target_dir.mkdir(parents=True, exist_ok=True) rgb_dir = target_dir / "rgb" depth_dir = target_dir / "depth" rgb_dir.mkdir(exist_ok=True) depth_dir.mkdir(exist_ok=True) src_rgb = episode_dir / "rgb" src_depth = episode_dir / "depth" if src_rgb.exists(): for img in src_rgb.glob("*.png"): shutil.copy(img, rgb_dir / img.name) if src_depth.exists(): for img in src_depth.glob("*.png"): shutil.copy(img, depth_dir / img.name) shutil.copy(episode_dir / "joint_states.json", target_dir / "joint_states.json") print(f"L1 OK: {episode_id}") def organize_level2(episode_dir: Path, target_root: Path) -> dict: """处理 L2：从原始数据中提取物理交互摘要""" episode_id = episode_dir.name with open(episode_dir / "joint_states.json", "r", encoding="utf-8") as f: joint_states = json.load(f) # 演示逻辑：从 joint 数据中提取力矩变化作为“物理交互特征” # 真实项目中这里可能依赖力传感器、接触检测等 contact_events = [] for frame in joint_states["frames"]: torque = frame.get("torque", []) if torque and max(abs(t) for t in torque) > 5.0: contact_events.append({ "timestamp": frame["timestamp"], "peak_torque": max(abs(t) for t in torque), "event_type": "probable_contact", }) physical_data = { "episode_id": episode_id, "contact_events_count": len(contact_events), "contact_events": contact_events[:10], } target_dir = target_root / "level2_physical" / episode_id target_dir.mkdir(parents=True, exist_ok=True) with open(target_dir / "physical_summary.json", "w", encoding="utf-8") as f: json.dump(physical_data, f, ensure_ascii=False, indent=2) print(f"L2 OK: {episode_id}") return physical_data def organize_level3(episode_dir: Path, target_root: Path) -> dict: """处理 L3：从任务描述和 joint 数据中生成行为片段索引""" episode_id = episode_dir.name meta = load_episode_meta(episode_dir) # 实际项目中，这里应该由行为分割算法或者人工标注结果驱动 # 此处做一个简单的模拟：假设任务描述决定行为标签 skill_name = meta.get("skill", "unknown_skill") behavior_data = { "episode_id": episode_id, "skill_name": skill_name, "segments": [ {"start": 0.0, "end": 1.5, "phase": "approach"}, {"start": 1.5, "end": 2.5, "phase": "grasp"}, {"start": 2.5, "end": 3.5, "phase": "lift"}, ], } target_dir = target_root / "level3_behavior" / episode_id target_dir.mkdir(parents=True, exist_ok=True) with open(target_dir / "behavior.json", "w", encoding="utf-8") as f: json.dump(behavior_data, f, ensure_ascii=False, indent=2) print(f"L3 OK: {episode_id}") return behavior_data def organize_level4(episode_dir: Path, target_root: Path) -> dict: """处理 L4：整理任务目标与语义理解数据""" episode_id = episode_dir.name meta = load_episode_meta(episode_dir) task_data = { "episode_id": episode_id, "task_description": meta.get("task_description", ""), "structured_goal": meta.get("structured_goal", {}), "success_criteria": meta.get("success_criteria", ""), } target_dir = target_root / "level4_task" / episode_id target_dir.mkdir(parents=True, exist_ok=True) with open(target_dir / "task_goal.json", "w", encoding="utf-8") as f: json.dump(task_data, f, ensure_ascii=False, indent=2) print(f"L4 OK: {episode_id}") return task_data def organize_level5(episode_dir: Path, target_root: Path, eval_scenes: list) -> dict: """处理 L5：登记评估场景与安全约束""" episode_id = episode_dir.name meta = load_episode_meta(episode_dir) eval_data = { "episode_id": episode_id, "test_scenes": eval_scenes, "safety_constraints": meta.get("safety_constraints", []), } target_dir = target_root / "level5_eval" / episode_id target_dir.mkdir(parents=True, exist_ok=True) with open(target_dir / "eval_config.json", "w", encoding="utf-8") as f: json.dump(eval_data, f, ensure_ascii=False, indent=2) print(f"L5 OK: {episode_id}") return eval_data def build_metadata() -> pd.DataFrame: """聚合所有层级的元数据为一张总表""" records = [] for l1_dir in (PROCESSED_ROOT / "level1_raw").iterdir(): if not l1_dir.is_dir(): continue episode_id = l1_dir.name record = {"episode_id": episode_id} records.append(record) df = pd.DataFrame(records) df.to_csv(PROCESSED_ROOT / "metadata.csv", index=False) print(f"Metadata saved: {len(df)} episodes") return df if __name__ == "__main__": for episode_dir in RAW_ROOT.iterdir(): if not episode_dir.is_dir(): continue print(f"Processing {episode_dir.name} ...") organize_level1(episode_dir, PROCESSED_ROOT) organize_level2(episode_dir, PROCESSED_ROOT) organize_level3(episode_dir, PROCESSED_ROOT) organize_level4(episode_dir, PROCESSED_ROOT) organize_level5( episode_dir, PROCESSED_ROOT, eval_scenes=["bright_light", "dark_room", "cluttered_table"], ) build_metadata()

4.4 构造示例数据并运行

我们先构造两个模拟的 episode 数据：

cd robot_data_pipeline && mkdir -p raw/episode_001/rgb raw/episode_001/depth raw/episode_002/rgb raw/episode_002/depth

创建任务描述文件：

# 文件路径：robot_data_pipeline/raw/episode_001/task_description.json { "task_description": "把红色杯子放到蓝色托盘上", "skill": "pick_and_place", "structured_goal": { "object": "red_cup", "target": "blue_tray", "constraints": ["no_spill", "within_5cm_accuracy"] }, "success_criteria": "cup_placed_on_tray_and_no_spill", "safety_constraints": ["max_torque_limit_5Nm", "min_distance_to_human_0.3m"] }

创建关节状态数据的简化版本：

# 文件路径：robot_data_pipeline/raw/episode_001/joint_states.json { "episode_id": "episode_001", "frames": [ {"timestamp": 0.0, "joint_positions": [0.1, 0.2, 0.3], "torque": [0.5, 0.4, 0.6]}, {"timestamp": 0.5, "joint_positions": [0.2, 0.3, 0.4], "torque": [0.8, 0.9, 0.7]}, {"timestamp": 1.0, "joint_positions": [0.3, 0.4, 0.5], "torque": [1.2, 1.1, 1.3]}, {"timestamp": 1.5, "joint_positions": [0.4, 0.5, 0.6], "torque": [6.2, 5.8, 6.5]}, {"timestamp": 2.0, "joint_positions": [0.5, 0.6, 0.7], "torque": [7.1, 6.9, 7.3]} ] }

然后运行主程序：

python organize_data.py

预期输出：

Processing episode_001 ... L1 OK: episode_001 L2 OK: episode_001 L3 OK: episode_001 L4 OK: episode_001 L5 OK: episode_001 Processing episode_002 ... ... Metadata saved: 2 episodes

4.5 结果说明

运行完成后，processed目录下出现了五个子目录，每个子目录都对应金字塔的一层。metadata.csv汇总了所有 episode 的基本信息。

这个示例想做的是建立一种直觉：同一个来源的原始数据，经过分层处理后，可以面向不同的学习任务输出不同的数据产物。

• 如果你要预训练一个视觉感知模型，就去读level1_raw。
• 如果你要学习物理交互模型，就去读level2_physical。
• 如果你要训练行为克隆策略，就去读level3_behavior。
• 如果你要做语言条件动作生成，就去读level4_task和对应的level3_behavior。
• 如果你要评估策略的泛化性和安全性，就去读level5_eval。

在实际项目中，这套流水线会比这个示例复杂得多，但分层思想是通用的。

5. 常见问题与排查思路

在实际按照 Data Pyramid 思路组织机器人学习数据时，容易遇到下面几个问题：

下面挑几个典型场景展开讲。

5.1 仿真数据与真实数据怎么混合

很多团队第一步就是采集海量仿真数据，结果模型在仿真里跑得很稳，一到真实环境就“翻车”。这在 Data Pyramid 框架下是很好解释的：

• L1 层，仿真图像与真实图像的域差异明显。
• L2 层，仿真物理引擎的接触力、摩擦力与真实世界不完全一致。
• L3 层，仿真中的行为轨迹过于“理想”，缺少真实操作中的抖动和不完美。

建议的做法是“金字塔逐层混合”：

• 先在 L1 层用大量仿真数据做视觉预训练。
• 在 L2 层加入少量真实的物理交互数据，做物理参数校准。
• 在 L3 层以真实演示数据为主，仿真数据为辅进行策略学习。
• 在 L5 层必须使用真实场景评估。

5.2 L3 行为数据如何自动分段

序列数据的自动分段是机器人学习里的高频难点。可以参考的思路是：

• 利用关节速度/末端速度变化率检测动作开始和结束。
• 利用力/力矩信号检测接触事件。
• 利用视觉基础模型（如视频分割模型）找到关键状态切换点。

自动分段的结果不能直接当作最终标注，建议至少做一次人工抽检，尤其是接触事件附近的分段边界。

5.3 数据版本管理问题

机器人数据集经常处于“迭代中”：今天加了 10 个 episode，明天修正了某些标注。如果不做版本管理，模型训练结果很难复现。

推荐做法：

• 每一层的数据单独建 git 仓库，或者使用 DVC（Data Version Control）管理。
• 在训练配置里记录数据集的 commit id 和金字塔各层的版本号。
• 每次训练前，自动拉取对应版本的 L3/L4 层数据，避免混用。

6. 最佳实践与工程建议

理解了五层数据金字塔的原理之后，真正难的是把它落地到自己的机器人项目中。下面这些建议来自实际项目中的数据工程经验，希望对你有帮助。

6.1 数据设计先于数据采集

很多项目是先采集一批数据，然后才开始想“这些数据能怎么用”。但按照 Data Pyramid 的思路，你应该在设计采集方案时就明确：

• 这一批数据是给哪一层用的？
• 需要包含哪些传感器模态？
• 需要什么粒度的标注？
• 任务描述用什么形式记录？

比如，你想采集 L4 层任务数据，那在采集中间流程，不只是记录机器人关节状态，还要同步记录操作者输入的自然语言指令、任务目标图片、以及成功判定的依据。等数据采完再补录语言描述，很容易出现语义偏差。

6.2 统一时间戳与空间坐标系

层与层之间的数据能够组合使用，前提是时间戳能对齐、坐标系能换算。

工程建议：

• 所有传感器数据使用统一的时钟源同步，误差控制在 1ms 级别。
• 保存数据时，不仅保存关节角，还保存末端执行器的位姿变换矩阵。
• 点云、RGB、深度图之间保留相机内参和外参，方便做跨模态对齐。

6.3 数据质量分层存储

不要因为 L1 层是“原始数据”就什么垃圾都往里扔。原始数据同样需要基础清洗。

建议在金字塔每一层内部再做一次质量分级：

• P 级（Premium）：标注准确、场景丰富、任务完成成功，适合直接用于训练。
• S 级（Standard）：数据基本可用，但存在少量噪声，需要额外处理。
• B 级（Background）：只适合做预训练或负样本，不适合用于策略微调。

这样训练时可以根据数据质量进行加权采样，减少噪声数据对模型的影响。

6.4 自动化评估流水线

L5 层数据应该自动化运行起来，而不只是存在硬盘里。建议建立一条评估流水线：

• 训练完成后，自动在 L5 评估集上运行策略。
• 对比历史版本的评估指标，自动判断当前训练版本是否被接受。
• 对失败场景进行聚类分析，反馈给数据采集团队，形成“数据-训练-评估-再采集”的闭环。

这个闭环在机器人学习从实验室走向真实部署时尤其重要。

6.5 多模态数据的缺失处理

真实采集时，某个传感器可能突然掉线，导致 L1 层数据不完整。

工程建议：

• 在数据处理阶段，标记“不完整数据段”，不要简单补零。
• 训练时使用 Masking 策略，让模型学会处理缺失模态。
• 在 L5 评估中增加“单模态缺失”的测试场景，验证模型的鲁棒性。

6.6 安全与权限边界

涉及真实机器人数据采集和模型部署时，务必注意以下边界：

• 在仿真环境充分验证之前，不要直接在真实机器人上做大规模随机策略试错。
• 涉及真实操作数据的采集，需要明确物理空间的安全边界，建议有物理急停和软件限位。
• 多人协作的数据集，应该记录数据采集人员、时间、设备信息，便于追溯。

7. 总结与学习路线

Data Pyramid 的核心价值，是把“机器人该从什么数据中学习”这个问题拆成了一组可落地的分层设计：

• L1 原始传感数据：建立感知基础。
• L2 物理交互数据：建模动作与物理世界的关系。
• L3 任务与行为数据：学习可执行的技能。
• L4 任务目标与语义理解数据：对齐语言/符号意图。
• L5 评估与安全数据：验证能力、约束边界。

这个分层不是理论上的“学术分类”，而是可以直接指导数据采集方案、数据集构建、模型训练策略和评测体系设计的工程框架。

如果你正在做机器人学习相关的工作，下一步可以从几个方向继续深入：

• 检查你当前的数据集：哪些层是缺失的？哪些层的数据量明显不足？
• 审视你的采集方案：是否在采集时同步记录了满足 L4/L5 层要求的元数据？
• 建立数据版本管理：让每一次模型训练都能追溯到具体的数据版本。

把这套数据金字塔的思路用起来之后，你会发现很多模型训练问题，其实在数据组织阶段就已经埋下了答案。如果这篇文章对你有帮助，可以收藏备用，后面搭建自己的机器人学习数据流水线时，直接按这个框架来设计，能少走不少弯路。