Waarom je demonstratiedata opschoont voordat een robot ervan leert
Een robot die van demonstraties leert, leert ook van de slechte, dus TOS Robotics schoont de data op voordat het traint. We leerden dat opschonen ook mis kan gaan, want ons eerste automatische filter gooide ongeveer 30% goede data weg. In 2026 stapten we over van lijsten die we met de hand bijhielden naar grenzen op basis van wat de robot kan, en naar een controle door mensen van mislukte picks op de lijn.
Eerste opstelling
Opschonen begon bij de bron. Terwijl een engineer van TOS demonstraties opneemt met de Teachbot, markeert één commando de laatste opname als fout. In de datasets die we tussen december 2025 en maart 2026 opnamen, kreeg ongeveer 1 op de 13 demonstraties die markering, per dataset tussen 0,8% en 14,7%. De rest was handwerk. Elk trainingsscript had een ingetypte lijst van samples om over te slaan, ongeveer 500 regels over vier datasets voor één model in productie.
Wat er misging en wat we veranderden
In maart 2026 schreven we een automatische opschoner, en later legden we die per controle naast de lijsten van mensen.
| Probleem | Wat we maten | Wat we veranderden |
|---|---|---|
| Filter dat van elke meting de meest extreme paar procent afsneed | Ongeveer 30% van de schone samples afgekeurd, terwijl de uitersten echte variatie zijn | Grenzen uit de uitersten van 803 geslaagde productiecycli plus 5 mm per kant, hooguit 1,3% van de goede picks afgekeurd |
| Twee andere controles | Minder dan één op de vier van hun afkeuringen stond op de lijsten van mensen | Beide controles uitgezet |
| Ontbrekende camerakalibratie, de getallen die elke camera ten opzichte van de robot plaatsen | 786 van de 1.636 opgeschoonde samples | Vaste kalibratie toegevoegd |
| Verschillende diepteafwijking van de twee camera’s | Puntenwolken ongeveer 20 mm uit elkaar | Afwijkingen gecompenseerd |
| Posities die de bewakingen van de robot, zijn asgrenzen en veiligheidszones, zouden blokkeren | Ongeveer 3% van de demonstraties en ongeveer 24% van de menselijke correcties | Eruit gefilterd, en de controletool blokkeert accepteren |
Mislukkingen opnieuw labelen
Als het model in productie een pick mist, opent iemand van ons team die cyclus in 3D en verschuift de pick naar waar hij had moeten zijn. De correctie gaat alleen naar de training, nooit naar de testset. Deze methode heet DAgger, kort voor Dataset Aggregation. Onze tool stelde eerst zelf correcties voor en sloeg mislukkingen over die hij niet te corrigeren vond. We haalden allebei weg, en een ongewijzigde pick kun je niet accepteren.
Niet elke mislukking is een labelprobleem. Op één dag bestond ongeveer een derde van de mislukte picks uit twee paprika’s die op elkaar lagen. Een klein deel van de cycli, waarin de paprika bewoog na de foto, bevatte ongeveer een derde van alle mislukte picks. Bij ongeveer de helft van de gecontroleerde mislukkingen zat geen zichtbare fout in de pickpositie. Die opnieuw labelen leert het model ruis. Een blinde tweede labelronde van één soort labels liet ook zien dat 27% van de oorspronkelijke labels ten onrechte was gezet, omdat het criterium van de labelaar was verschoven.
Resultaat
Een paar dozijn gecorrigeerde mislukkingen gaven gemengde offline resultaten, met een iets grotere positiefout, binnen de ruis tussen trainingsruns, en een kleinere rotatiefout. De duidelijkst gemeten winst kwam van schaal. Daarna trainden we op 102.973 productiecycli met gecontroleerde uitkomsten, waarvan 11.130 met een gecorrigeerd doel. In een offline test op een achtergehouden dag daalden omgedraaide plaatsingen van meer dan 90 graden van 5,7% naar 2,1% ten opzichte van het vorige model. Dat model ging in september 2026 live op beide robots.
Vragen en antwoorden
Wat is demonstratiedata?
Opnames van iemand die de taak met de robot uitvoert. Voor elk moment slaat het systeem op wat de camera's zagen en hoe de robot bewoog, en het AI-model leert van deze voorbeelden.
Welke ideeën voor opschonen werkten niet?
We probeerden het oordeel van mensen over accepteren of afkeuren te voorspellen uit de geometrie van de pick. Dat deed het niet beter dan een muntworp, en we houden het vastgelegd zodat niemand het herhaalt.
Lees verder
- Wat is imitation learning voor robots, en wanneer past het?Een robot een taak aanleren door die voor te doen, bij TOS Robotics in gebruik op een paprikalijn met 40 picks per minuut per robot.
- Waarom we van ACT overstapten op een diffusion policyWe nemen 50 kandidaat-picks in plaats van één gemiddelde. In bijna alle cycli zat er minstens één werkende pick bij.