Промышленно готовый датасет recovery-сценариев для VLA-моделей: проскальзывание, столкновение, неуспешный захват, падение объекта, перезахват — то, чего нет в Open X-Embodiment и DROID. Собран [.v1] под задачу заказчика — технически сложнее обычного training-датасета.
[VLA-МОДЕЛИ · COMPOUNDING ERRORS · SUCCESS-BIAS DATASETS]
Открытые датасеты для обучения VLA-моделей содержат преимущественно успешные демонстрации. Open X-Embodiment — это более 1M траекторий на 22 эмбодиментах; DROID — около 76k успешных эпизодов плюс ~17% неуспешных; AgiBot World — почти 3 000 часов. Однако неуспешные траектории в DROID не размечены по таксономии причин — это сырой failure-сигнал, а не пригодный для обучения recovery-датасет.
Результат: у policy, обученной только на success-данных, проявляются compounding errors. Теорема Ross & Bagnell (AISTATS 2011) формально показывает, что ожидаемая стоимость ошибки behavior cloning растёт квадратично с горизонтом задачи — O(T² · ε). Каждая малая ошибка выводит робота в состояние, не покрытое обучающим распределением, что провоцирует следующую ошибку. Каскад.
Recovery-данные — единственный известный способ закрыть этот разрыв. Без них VLA-модель достигает demo-quality, но в production «застревает» после первого же отклонения от обучающего распределения.
Humanoid (юр. лицо: SKL Robotics LTD) — британский разработчик гуманоидных роботов общего назначения. По данным Sifted (август 2025) входит в число самых быстрорастущих robotics-стартапов Европы.
Платформа HMND 01 работает под управлением собственного AI-фреймворка KinetIQ — четырёхуровневой когнитивной архитектуры:
Публичные развёртывания: Schaeffler bin picking (металлические подшипниковые кольца), Siemens logistics (60 totes/час), SAP × Martur Fompak kitting. Для непрерывного пикинга, мобильности между станциями и адаптации навыков на площадке технически необходим robust recovery.
Развёртывание на несколько тысяч единиц на двух заводах Schaeffler запланировано на конец 2026 года. При операционной стоимости гуманоида порядка ~140 ₽/час против стоимости простоя 70 000–710 000 ₽/мин recovery становится главным экономическим рычагом (подробнее — секция 11).
[RECOVERY-AS-A-SKU · FAILURE TAXONOMY · MULTIMODAL CAPTURE]
Заказчик предоставил разрозненные production-логи с пилотных развёртываний HMND 01 на трёх промышленных площадках: логи операторских интервенций в CSV/JSON, RGB-видео (stationary и wrist-камеры, 30–60 кадров/с), joint states плюс крутящие моменты 200 Гц с edge-устройств KinetIQ, потоки wrist 6-axis F/T sensor, аудио с микрофонов в ячейках, сводки failure-событий от supervisor-систем. Из этого нужно было собрать готовый recovery-датасет.
Автоматическая сегментация эпизодов, где после факта failure был выполнен успешный re-attempt — из массива сырых production-логов.
Единая 6-категорийная таксономия на основе проверенной литературы (Liu 2024, AHA NVlabs 2024, REASSEMBLE 2025) — для всех будущих SKU.
PTP-выравнивание RGB, depth, F/T, joint states и audio в едином временном пространстве. Это критично для force-vision policies.
Покадровая разметка фаз: failure_onset · recovery_action_start · recovery_completion плюс корневая причина каждого эпизода.
Недостающие категории добираются через намеренные человеческие teleop-пертурбации и procedural injection в стиле FailGen (усиление в 10–100×).
Готовый экспорт в LeRobot v3, Robomimic-совместимый HDF5, OpenVLA-format и схему AIRoA MoMa. Обучение VLA «из коробки».
5-шаговый конвейер от сырых production-логов до готового Recovery Pack.
UMI, ALOHA, Manus gloves, Apple Vision Pro; wrist 6-axis F/T, RGB-D, микрофоны в ячейке. Edge-захват joint states 200 Гц с устройств KinetIQ.
Платформа .v1 (proprietary): AI pre-labeling, human-in-the-loop, PTP-синхронизация. Экспорт в LeRobot / OXE / RT-X / OpenVLA.
Procedural failure injection в стиле FailGen (10–100×), domain randomization в Isaac Sim / MuJoCo для покрытия редких категорий.
Multimodal sync ≤ 5 мс · Cohen's κ ≥ 0,75 между разметчиками · accuracy ≥ 91% (REASSEMBLE anchor) · 2 разметчика + adjudicator.
Эффект recovery-данных по проверенным published benchmarks.
Оценка по аналогии · HMND 01 в Schaeffler
Для сценариев HMND 01 на площадках Schaeffler (экстраполяция по published-бенчмаркам): recovery rate 70 → 90%+; MTTR < 2 сек; intervention rate < 0,5%; downtime < 5%.
[6 КАТЕГОРИЙ · LIU 2024 · AHA · REASSEMBLE]
Двухуровневая схема по образцу AIRoA MoMa + протокол качества.
Метаданные эпизода целиком: эмбодимент, площадка, тип задачи, итог (success / failure / recovered), доминирующая категория failure, корневая причина, теги hard-set.
Покадровая разметка событий с привязкой к синхронизированным мультисенсорным потокам — точные тайм-коды фаз каждого recovery-эпизода.
[ИНЖЕНЕРНЫЕ ВЫЗОВЫ ПРОЕКТА]
Почему recovery-датасет окупается в одну смену. Все суммы — в рублях по курсу ЦБ РФ на 29.05.2026 (71,37 ₽/$).
Стоимость незапланированного простоя промышленной линии — до ~43 млн ₽/час, со штрафным множителем до 15× за unplanned downtime. Сокращение downtime на 5 п.п. на развёртывании из 100 ячеек — около ~86 млн ₽/сутки.
Базовая частота операторских интервенций — 1,5% (3,8 млн на 250 млн пиков, Plus One Robotics). Снижение до целевых 0,5% при 30 000 интервенциях/сутки даёт около ~2,1 млн ₽/сутки экономии.
Операционная стоимость гуманоида ~140 ₽/час против стоимости простоя 70 000–710 000 ₽/мин — соотношение от 1:30 000 до 1:300 000. Recovery-датасет окупается в одну смену.
Как Recovery Pack растёт за пределы одного развёртывания.
Перенос recovery-данных между площадками одного OEM: Schaeffler → Siemens → Bosch → SAP. Общая failure-taxonomy позволяет переиспользовать разметку на новых линиях.
Перенос на других гуманоидов: Figure 02, Apptronik Apollo, 1X NEO, Unitree H1/H2. Reference cross-embodiment переноса — RT-1-X +50%.
Recovery-сценарии для классических манипуляторов: UR, Franka, KUKA, Kinova — крупнейший установленный парк промышленной робототехники.
Procedural injection в стиле FailGen усиливает редкие категории в 10–100× — масштабирование покрытия без пропорционального роста сбора реальных данных.
Стоимость ошибки обучения с учителем для последовательного предсказания растёт квадратично с длиной горизонта задачи. Именно поэтому policy, обученная только на успешных демонстрациях, неизбежно деградирует в длинных эпизодах.
Этот датасет мы собрали под задачу заказчика — humanoid OEM. Реализуем похожий recovery-датасет под ваш embodiment и домен.
Оставьте контакты — пришлём фрагмент нашей recovery-разметки и краткий разбор методологии в течение 24 часов в рабочие дни.