数据采集基础：遥操作设备选型与数据流程设计
数据采集这件事，说白了就是给机器人“喂”经验。你想想看，ACT模仿学习再厉害，没有高质量的数据，它就是个空壳子。我在这个环节踩过的坑，比后面部署阶段多得多。今天咱们就把这块硬骨头啃下来。
遥操作设备选型：你的手怎么“伸”进仿真里
选设备之前，先想清楚一个问题：你要采集什么类型的动作？是抓取、装配，还是精细操作？不同的任务，适合的设备完全不同。
VR手柄：最直观，但精度有限
我个人习惯用VR手柄做初期数据采集。为什么？因为它便宜、上手快。你戴上头显，拿着手柄挥一挥，机器人就跟着动。但注意了，VR手柄的定位精度大概在毫米级，做粗活可以，精细操作就露馅了。
3D鼠标：工业级的选择
如果你要做精密装配，3D鼠标（比如SpaceMouse）是更好的选择。它提供6自由度控制，手感细腻。我在做手术机器人项目时，就是用3D鼠标采集缝合动作的。精度能到0.1mm级别。
力反馈手柄：高级玩家的玩具
力反馈手柄（比如Phantom Omni）能让你“感觉到”机器人在碰什么东西。这玩意儿贵，但值。我记得有一次做易碎品抓取，没有力反馈，数据里全是捏碎的动作。换了力反馈手柄后，数据质量直接上了一个台阶。
| 设备类型 | 精度 | 成本 | 适合场景 |
|---|---|---|---|
| VR手柄 | 1-5mm | 低 | 粗放抓取、导航 |
| 3D鼠标 | 0.1-0.5mm | 中 | 精密装配、焊接 |
| 力反馈手柄 | 0.01mm | 高 | 易碎品、医疗操作 |
数据采集流程设计：别让数据“脏”了
流程设计是数据采集的灵魂。我见过太多人，设备买回来，直接上手就采。结果数据乱七八糟，根本没法用。嗯，这里要注意几个关键点。
第一步：标定与对齐
不管你用什么设备，第一步永远是标定。把操作空间和机器人空间对齐。我曾经因为忘记标定，采集了3个小时的数据，结果发现机器人动的位置和手柄差了10厘米。那感觉，就像你对着麦克风唱歌，结果音响延迟了2秒。
第二步：采样频率匹配
设备的采样频率要和机器人的控制频率匹配。比如机器人跑100Hz，你设备只采30Hz，那中间的动作就丢了。反过来，设备采200Hz，机器人只能处理100Hz，数据就冗余了。我建议统一到100Hz，这是最稳妥的。
第三步：数据同步
多设备采集时，时间戳同步是噩梦。我踩过的坑是：用系统时间戳，结果两台电脑时间差了0.5秒。后来我改用硬件触发同步，问题才解决。如果你没有硬件条件，至少用NTP对时。
数据格式与存储：HDF5 vs ROS Bag
数据存成什么格式？这问题看似简单，但选错了后面哭都来不及。我两种格式都用过，说说我的感受。
HDF5：我的首选
HDF5是层级结构，像文件夹一样组织数据。你可以把关节角度、末端位姿、图像都放在一个文件里。而且它支持压缩，一个100GB的ROS Bag，转成HDF5可能只有30GB。我个人习惯用HDF5做长期存储。
import h5py
import numpy as np
# 创建HDF5文件
with h5py.File('demo_001.h5', 'w') as f:
# 存储关节角度
f.create_dataset('joint_angles', data=np.array([...]))
# 存储末端位姿
f.create_dataset('end_effector_pose', data=np.array([...]))
# 存储时间戳
f.create_dataset('timestamps', data=np.array([...]))
ROS Bag：调试利器
ROS Bag的好处是能直接回放。你在仿真里采集的数据，用rosbag play就能重放一遍，方便调试。但它的缺点是文件大，而且依赖ROS环境。我一般只在调试阶段用ROS Bag，正式采集还是用HDF5。
数据清洗与预处理：把“垃圾”筛出去
数据采完了，别急着训练。先看看里面有没有“脏数据”。我做过统计，新手采集的数据里，大概有20%是无效的。这些数据不清理，模型学出来的全是坏习惯。
去除异常值
设备偶尔会抽风，比如突然跳出一个离谱的关节角度。这种数据必须去掉。我常用的方法是：计算每个维度的均值和标准差，超过3倍标准差的数据直接扔掉。
def remove_outliers(data, threshold=3):
mean = np.mean(data, axis=0)
std = np.std(data, axis=0)
z_scores = np.abs((data - mean) / std)
return data[~np.any(z_scores > threshold, axis=1)]
平滑处理
人手操作时会有微小的抖动，这些抖动不是机器人应该学的。我习惯用Savitzky-Golay滤波器做平滑。它比简单平均好，能保留动作的细节。
数据对齐与插值
不同设备的时间戳可能对不齐。比如图像是30fps，关节角度是100Hz。这时候需要做插值。我推荐用线性插值，简单够用。别用三次样条，容易过拟合。
from scipy import interpolate
# 对关节角度做插值，对齐到图像时间戳
f = interpolate.interp1d(joint_timestamps, joint_angles, axis=0)
aligned_joints = f(image_timestamps)
知识体系总览
下面这张图，是我自己总结的数据采集全流程。你照着这个走，基本不会出大问题。
数据采集这件事，说白了就是“磨刀不误砍柴工”。你花一天时间把设备和流程搞扎实，后面训练和部署能省一周的功夫。我见过太多人，设备没调好就开干，最后数据废了，项目延期。嗯，希望你能少走这些弯路。