一种面向具身智能的训练数据集自动化构建方法及系统

本申请属于具身智能领域，公开了一种面向具身智能的训练数据集自动化构建方法及系统，包括：以互联网人类操作视频为数据来源，通过视频筛选与预处理得到符合质量条件的视频片段，经动作变化检测切分为包含单一原子动作的短视频片段；通过运动轨迹提取与动作逆推生成伪动作标签，通过多模态大模型自动生成命令式语言指令，通过逆运动学映射与运动学约束适配生成标准动作标签，最终将视频帧序列、语言指令与标准动作标签组合为VLA三元组数据集。本申请解决现有VLA训练数据集构建中采集成本高、人工标注效率低、数据规模小且泛化性不足的技术问题。