VLA 模型 - AI 资讯

Label Studio 解析百万小时人类视频：从原始素材到机器人训练数据的标注鸿沟

Label Studio 团队深入剖析了 VLA（视觉 - 语言 - 动作）研究中的核心痛点：拥有百万小时人类视频数据，却因缺乏同步的动作指令与任务对齐标注而无法直接训练机器人。文章详细阐述了将无动作信息的原始视频转化为可训练数据所需的完整标注栈，包括片段分割、姿态估计、动作原语定义及意图语言对齐，并强调了自动化标注在细粒度空间判断上的局限性，为开发者提供了构建高质量机器人数据集的方法论指引。