FLORA: An Open Model Suite for Scaling Robotics Data Engines

📄 arXiv: 2610.31779v1 📥 PDF

作者: Sicong Leng, Yunze Man, Zhiqi Li, Jing Wang, Yuhe Zhang, Ryan Punamiya, Siddharth Patki, Kaiyuan Zheng, Zi-ang Cao, Zhiding Yu, Sifei Liu, Danfei Xu, Ben Levin, Jan Kautz, Yuke Zhu, Johan Bjorck, Linxi "Jim" Fan

分类: cs.RO

发布日期: 2026-10-22

💡 一句话要点

提出FLORA以解决机器人数据引擎标注效率问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人数据引擎 数据标注 强化学习 成本优化 大规模处理

📋 核心要点

  1. 现有的机器人数据标注方法在效率和成本上存在显著不足，限制了模型的训练和应用。
  2. FLORA是一种新型数据引擎，旨在同时提供结果奖励、过程奖励和时间戳标题的标注能力，提升数据处理效率。
  3. FLORA在多个基准测试中表现优异，尤其在成本上显著低于竞争对手，具备大规模数据处理能力。

📝 摘要（中文）

机器人基础模型的生命周期在很大程度上依赖于数据标签。为了监控真实世界的部署，需要结果奖励标签；在强化学习后训练中，需要过程奖励标签；而时间戳标题则用于过滤和平衡预训练数据。我们提出了FLORA，这是一种工业级数据引擎，用于训练GR00T模型，能够同时覆盖这些能力。FLORA在WGO-Bench的标题生成基准和RoboReward、Robometer的奖励基准上达到了SOTA分数，并在内部基准测试中与GPT-6 Astra竞争，同时超越其他前沿模型。该模型的成本显著低于基于API的替代方案，约为GPT-6 Astra的125倍。FLORA经过大规模实战测试，每天标注20万小时的数据，支持512 GB300s。通过开源我们的数据引擎，我们使研究人员能够扩展自定义机器人数据集，并探索物理自动研究和人机转移等新兴应用。

🔬 方法详解

问题定义：本论文旨在解决机器人数据引擎在标注效率和成本上的不足，现有方法无法同时满足多种数据标注需求。

核心思路：FLORA通过集成多种数据标注能力，提供一个统一的平台，旨在提升数据标注的效率和准确性，降低训练成本。

技术框架：FLORA的整体架构包括数据采集、标注生成、质量控制和数据存储等主要模块，确保数据处理的高效性和可靠性。

关键创新：FLORA的主要创新在于其工业级数据引擎设计，能够同时处理多种类型的标签生成任务，显著提升了数据标注的速度和质量。

关键设计：FLORA采用了高效的算法和优化策略，结合深度学习技术，确保在处理大规模数据时仍能保持较低的计算成本和高准确率。具体的参数设置和损失函数设计也经过精心调整，以适应不同的任务需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FLORA在WGO-Bench、RoboReward和Robometer等基准测试中取得了SOTA成绩，并在内部测试中与GPT-6 Astra竞争，标注效率高达每天20万小时，成本仅为竞争对手的1/125，展示了其在大规模数据处理中的优势。

🎯 应用场景

FLORA的潜在应用场景包括机器人训练、自动化数据标注、以及人机交互系统的优化。其高效的数据处理能力将推动机器人技术的进步，促进新兴应用的发展，如物理自动研究和人机转移等领域。

📄 摘要（原文）

The life-cycle of robotics foundation models crucially depends on data labels. Outcome reward labels are needed for monitoring real-world deployments. Process reward labels are needed during RL post-training. Timestamped captions are needed for filtering and balancing pretraining data. We present Flora, an industrial-quality data engine used for training GR00T models, that simultaneously covers these capabilities. Flora achieves SOTA scores on the captioning benchmark WGO-Bench and reward benchmarks RoboReward and Robometer. On internal benchmarks it is competitive with GPT-6 Astra while beating other frontier models. The model is substantially cheaper than API-based alternatives, roughly 125 times cheaper than GPT-6 Astra. Florais battle tested at scale, labeling 200,000 hours of data per day across 512 GB300s. By open-sourcing our data engine, we enable researchers to scale custom robotics datasets and explore emerging applications such as physical auto-research and human-to-robot transfer.