本文将深入 RDA 的代码实现，详细解析 idle 检测的算法细节，包括 bimodal gap detection 的具体实现、MAD 回退机制，以及 action discontinuity 的 spike 检测方法。表格算法适用场景局限性动静分明的 manipulation task全程缓慢操作时失效MAD 回退单峰分布，作为兜底方案可能过于保守检测 action 突变点对高频噪声敏感RDA

最近在审计一批 LeRobot 格式的机器人数据集时，遇到了视频冻结问题。本文分享 RDA 的视频冻结检测方案、实现思路和实测结果。

本文基于 RDA v0.9.7 对 13 个 LeRobot 公开数据集的全量审计结果，详细解读四层审计框架的每层指标含义、跨数据集对比、以及 v0.9.7 判定管线重构的工程决策。

摘要： 本文介绍了如何使用TLabel工具将TacQuad触觉数据集（包含4种传感器、671个episode、104,576帧）转换为统一标注格式。TLabel解决了多传感器触觉数据标注不统一的问题，支持17维特征（如接触标志、力大小、滑移熵等）和语义标签的标准化输出。教程详细演示了环境配置、数据转换逻辑（通过tacquad_to_tlabel.py脚本）、数据结构验证及下游任务实验复现，包括跨传

元信息：工具· 数据集（LeRobot v3.0 格式，379 个演示片段，101,469 帧）· 纯 CPU 运行 · 2026-09-03如果你在用 libero_10 做 VLA 或模仿学习实验，大概率对它的 10 个任务、每个任务 35–49 条轨迹很熟悉了。但「这批数据本身质量如何」这个问题，很多人（包括我们自己）通常是凭感觉回答的。最近我们在给自己的开源审计工具 RDA 做 0.5.8

当北京人形机器人创新中心发布 RoboMIND 2.0 时，我第一次看到了大规模触觉数据的标准化可能性。这篇文章记录了我用 TLabel 对 RoboMIND AgileX 数据集进行标注测试的全过程——从 1.4GB HDF5 文件到质量评分，从 Tashan 传感器适配到 14 维 Schema 映射。

大多数检查工具要么要求你把数据传到别人服务器，要么本地跑一半还要联网调 API。可真实场景是——机器人数据经常躺在内网的采集机上，标注公司的环境根本不出网。其实要检查的问题并不复杂：有没有空 episode？有没有连续几百帧一模一样的"冻结帧"？昨天的 0.5.5 版本补上了最后一块：断网环境下优化建议也能本地生成，不依赖任何服务器。RDA 做的事情就一件：一条命令，扫完给你一份报告，每个问题都标

背景：机器人操作数据集的质量直接影响模仿学习与 VLA 类模型的训练效果。当前社区存在多种开源质量评估工具，但它们分别从不同维度定义「质量」，其结论是否可比、能否互相替代，缺乏系统的实证材料。方法：本研究将三个公开 LeRobot 格式数据集（

本文介绍面向 LeRobot 格式的开源机器人数据审计工具 RDA（Robot Data Audit）。RDA 通过 13 项分层指标对每个 episode 进行自动化检查，输出 PASS/REVIEW/EXCLUDE 三档裁决，帮助用户在训练前发现数据质量问题。文章详细解析了 RDA 的安装使用、指标设计原理，并展示了在 12 个 LeRobot 数据集上的实测结果：4,959 个 episod

本文对11个公开LeRobot格式数据集（共4,909条episode）进行了全面审计，覆盖仿真/真机、脚本/人工操作等多种场景。审计发现：1）多数数据集存在高空闲率（中位数20.8%-93.3%），影响训练偏差；2）动作尖峰与控制器强相关；3）同一硬件在不同任务中空闲率差异显著；4）所有数据集基础完整性良好，但45%-98%需行为层复核。特别指出，低成本硬件可能产生高质量数据。审计工具RDA可检