以状态变化确定边界
抓取、放置、开合、工具操作等完成事件形成片段，覆盖完整 episode。
HUMAN DEMONSTRATIONS. ROBOT ACTIONS.
从真实交互，
到可学习的行动。
连接人类第一视角与机器人演示。通过质量检查、多样性筛选与事件级标注，
让原始数据成为语义清晰、时间对齐、可追溯的训练样本。
EGOCENTRIC DEMONSTRATION
2MODALITIESONE PIPELINE
EMBODIED DEMONSTRATION
真实源数据帧 · 用于展示输入模态QUALITY → DIVERSITY → SEGMENTATION → LABELING
01 / QUALITY CONTROL
可靠的数据，从分别质检开始。
相同的质量目标，不同的感知与动作结构。
逐 episode 保留通过状态、指标与拒绝原因。
✓
仅通过的 episode 进入后续处理质量结果与源数据保持关联，可回溯、可复核。
02 / DIVERSITY SELECTION
有限的预算，更广的覆盖。
同时考虑视觉场景与动作分布，
以完整 episode 为单位，保留更有代表性的演示。
每秒新增覆盖
Δ ( Cvision × Caction )episode duration
01
任务内：按覆盖增益排序
首帧视觉特征与原始动作分布联合建模；新增覆盖除以实际时长，生成固定候选顺序。
02
任务间：按已选时长均衡
启动各任务后，优先选择累计时长最短的任务，在数据集预算内继续选取完整演示。
动作覆盖权重
位置平移速度朝向旋转速度
COVERAGE EXPLORER
交互示意看见选择，而非仅看数量。
候选 episode已选代表
15 s90 s
合成候选与固定排序用于演示预算选择；散点位置仅示意特征空间，不代表真实数据投影或生产统计。
生产配置示例配置预算，非已完成数据量
300 h EgoEgoDex 90 · EgoVerseSlices 99 · EgoStandard 111
+300 h RobotAgiBot 105 · AgileX 120 · TienKung 75
03 + 04 / SEGMENT & REFINE
找到事件边界，讲清每一步。
先回答“何时发生”，再回答“做了什么”。
借助相邻片段理解当前子任务，细化标签时保持边界不变。
EPISODE → SUBTASKS
12 秒合成示例 · 非模型实测一次操作，多个完成事件。
00:0000:0400:0800:12
↑ 点击片段，查看标签如何细化接近、调整、撤回并入最近的完成事件
TEMPORAL CONTEXT
SUBTASK REFINEMENT▣ 边界固定
初始标签
细化标签 ↗
多视角时间戳证据
各相机独立生成 contact sheets；生产配置每 0.5 秒采样，长视频分块处理。
上下文辅助，边界不变
previous / current / next 共同消歧，只细化当前片段的动作、物体与目标描述。
05 / READY FOR LEARNING
从片段语义，到训练样本。
保留原始数据引用与全部原始时间步，
将子任务边界映射到可直接读取的训练索引。
01
原始数据，按引用组织
Adapter 生成索引，不复制、转码或下采样源视频与动作文件。
02
视频与动作，各自精确对齐
Ego 按原始视频 FPS 换算帧边界；Robot 按动作时间步切分，再以视频 PTS 对齐画面。
03
片段内采样，边界外不借帧
训练窗口在子任务末尾截断，填充由 mask 表示；Robot normalization stats 与索引共同发布。
训练索引 · 概念示例
实现说明与代码依据 +
此页面是流程展示站，不提交任务或读取实时作业状态。生产运行器执行 Stage 2–4；Stage 1 由独立质检仓库完成，Stage 5 使用独立 Adapter。当前 Pipeline/1_QC 为空，不是已集成的质检入口。
运行中使用的分割输出为 segments[{start_sec, end_sec, subtask}]；Stage 4 保持起止时间不变。双臂同时操作可存在重叠区间。质量标记用于复核，不等同于自动剔除。
代码阅读范围、素材出处及维护方法见 README.md 和 SOURCE_MAP.md。