Data Strategy: Team Nhỏ Nên Thu Thập Dữ Liệu Gì?

Vì sao bài 6 dành cho team nhỏ?

Năm bài đầu của series đã nói về bản đồ sở hữu dữ liệu, teleoperation, mining video người, synthetic pipeline và scaling law cho VLA. Nếu bạn mới vào series, hãy đọc Bài 1: bức tranh cuộc chiến dữ liệu, Bài 2: teleoperation, và Bài 5: VLA data scaling trước. Bài này trả lời câu hỏi thực dụng hơn: nếu bạn là một team nhỏ ở Việt Nam, không có fleet 100 robot, nên thu dữ liệu gì để vẫn học được thứ có giá trị?

Câu trả lời ngắn: đừng cố thắng cuộc đua "ai có nhiều episode hơn". Team nhỏ nên xây một data flywheel mini: chọn một task hẹp nhưng thật, thu ít data sạch bằng setup rẻ, chuẩn hóa theo LeRobotDataset, fine-tune từ checkpoint pretrained, đo lỗi thật, rồi thu thêm đúng loại biến thể đang làm robot fail. Vòng lặp này quan trọng hơn việc khoe "10.000 demo" trong một lab duy nhất.

Tin tốt là hệ sinh thái mở đã giảm rất nhiều rào cản. LeRobot cung cấp tooling cho robot control, dataset, training và inference. SO-101 là arm 6-DOF giá thấp, có thể tự build hoặc mua kit, dùng leader-follower teleoperation để thu demo. SmolVLA được thiết kế để fine-tune trên LeRobot datasets. OpenPI/π0 và NVIDIA Isaac GR00T đều đẩy cùng một thông điệp: dùng model nền, fine-tune vào embodiment và task của bạn, đừng train từ đầu nếu chưa có lý do rất mạnh.

Tư duy đúng: data asset không phải raw footage

Với startup, dữ liệu robot chỉ là tài sản khi nó giúp bạn trả lời một trong ba câu hỏi:

Một folder video quay màn hình operator điều khiển robot không phải data asset. Nó chỉ trở thành data asset khi có timestamp, observation, action, state, task label, episode boundary, split train/eval, metadata robot, và một cách load lại được bằng code. Đây là lý do chuẩn hóa theo LeRobotDataset quan trọng. Bạn đang mua option cho tương lai: hôm nay train ACT hoặc SmolVLA, sáu tháng sau thử π0 hoặc GR00T, một năm sau merge với dataset cộng đồng.

Data strategy cho team nhỏ nên bắt đầu bằng một câu rất cụ thể:

Trong 30 ngày tới, chúng ta muốn robot học task nào, trên setup nào,
với success criterion nào, và dataset này sẽ giúp quyết định gì?

Nếu không trả lời được câu đó, bạn chưa nên thu data. Hãy quay lại định nghĩa task.

Setup tối thiểu: LeRobot + SO-101 trong mức $100-300

SO-101 là phiên bản kế tiếp của SO-100 do The Robot Studio và Hugging Face phát triển. Tài liệu chính thức mô tả follower arm dùng 6 motor STS3215, leader arm dùng các gear ratio khác nhau để operator điều khiển nhẹ hơn, và toàn bộ setup tích hợp với LeRobot để record dataset. Chi phí thực tế phụ thuộc bạn tự in 3D, mua kit, mua camera gì, có sẵn power supply và laptop hay không. Mốc "$100" thường nói về hardware arm cơ bản tự build; với một setup thu data nghiêm túc ở Việt Nam, nên budget thực dụng hơn:

Với team rất tiết kiệm, có thể bắt đầu bằng một follower arm + script teleop đơn giản hoặc điều khiển thủ công, nhưng leader-follower giúp data sạch hơn nhiều. Operator không phải click từng joint; họ điều khiển một arm giống robot thật, làm demo tự nhiên hơn, và action log ổn định hơn.

Một setup mini nên có ba camera zone, dù ban đầu chỉ dùng một hoặc hai:

Đừng mua thêm camera trước khi bạn có logging ổn. Một camera timestamp đúng tốt hơn ba camera lệch frame.

Chọn task đầu tiên: hẹp, lặp được, có business signal

Task đầu tiên không nên là "humanoid dọn nhà". Với SO-101, hãy chọn task thao tác một tay nhưng có liên quan đến domain bạn muốn đi tới. Nếu bạn làm robot cho xưởng điện tử, task tốt hơn là nhặt jumper wire, PCB spacer, hộp nhựa nhỏ. Nếu bạn làm logistics, task tốt hơn là sort gói hàng mô phỏng theo màu/shape. Nếu bạn làm education, task tốt hơn là pick-place LEGO hoặc block theo instruction tiếng Việt/tiếng Anh.

Một task tốt cho vòng lặp đầu có bốn tính chất:

Ví dụ task phù hợp:

Một lỗi phổ biến là chọn task quá "viral" nhưng không giúp sản phẩm. Video robot gắp kẹo có thể đẹp, nhưng nếu khách hàng của bạn cần inspection trong line sản xuất, dataset đó chỉ có giá trị học tooling, không phải moat.

Chuẩn LeRobotDataset v2: lưu để model khác đọc được

LeRobot đang chuyển dần sang dataset v3 để giảm số file, hỗ trợ streaming tốt hơn và tổ chức metadata hiện đại hơn. Tuy vậy, nhiều stack quan trọng vẫn dùng hoặc hỗ trợ v2/v2.1. NVIDIA GR00T hiện yêu cầu flavor LeRobot v2 và thêm meta/modality.json; tài liệu GR00T nói rõ nếu bạn có v3 thì cần convert về v2 trong workflow hiện tại. Vì vậy với team nhỏ, chiến lược an toàn là:

Record bằng tooling LeRobot hiện hành.
Giữ bản canonical có thể convert.
Nếu target là GR00T hoặc stack yêu cầu v2, export v2.1 rõ ràng.
Nếu target là LeRobot mới/SmolVLA, giữ thêm bản v3 khi cần streaming.

Cấu trúc v2.1 điển hình:

my_dataset/
  data/
    chunk-000/
      episode_000000.parquet
      episode_000001.parquet
  videos/
    chunk-000/
      observation.images.front/
        episode_000000.mp4
        episode_000001.mp4
      observation.images.wrist/
        episode_000000.mp4
        episode_000001.mp4
  meta/
    info.json
    stats.json
    episodes.jsonl
    episodes_stats.jsonl
    tasks.jsonl

Các cột tối thiểu bạn nên kiểm tra trong file Parquet:

Nếu dùng GR00T, bạn cần thêm metadata modality để mô tả state/action/video names. Ý tưởng không phức tạp: model phải biết vector action gồm những thành phần nào, camera nào là ego view, camera nào là front view, và language annotation nằm ở đâu.

Một tasks.jsonl tốt nên cụ thể, không mơ hồ:

{"task_index": 0, "task": "Pick the red cube and place it in the white bowl"}
{"task_index": 1, "task": "Pick the blue cube and place it in the white bowl"}
{"task_index": 2, "task": "Move the small spacer from the left tray to the right tray"}

Nếu bạn muốn robot hiểu tiếng Việt sau này, có thể lưu song ngữ trong metadata phụ, nhưng đừng làm hỏng field task chính nếu training script đang kỳ vọng tiếng Anh. Cách an toàn là giữ prompt tiếng Anh chuẩn cho training và thêm task_vi trong metadata riêng hoặc dataset card.

Quy trình record 50 episode đầu tiên

Tài liệu SmolVLA khuyến nghị record khoảng 50 episode cho một task làm điểm bắt đầu, và ví dụ pick-place có 50 episode chia trên 5 vị trí cube, mỗi vị trí 10 episode. Đây là con số hợp lý cho vòng lặp đầu của team nhỏ. Nó đủ để thấy pipeline có chạy không, nhưng chưa quá nhiều để lãng phí nếu camera sai.

Một kế hoạch record beginner-friendly:

Ví dụ với task "pick cube vào bát":

5 vị trí cube: trái, phải, gần, xa, giữa
2 màu cube: đỏ, xanh
1 bát trắng cố định
10 episode mỗi vị trí chính
20 episode eval: vị trí lệch nhẹ, ánh sáng khác, không dùng trong train

Command record sẽ thay đổi theo version LeRobot, nhưng tinh thần giống thế này:

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=vnrobo_so101_follower_01 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30}}" \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=vnrobo_so101_leader_01 \
  --dataset.repo_id=vnrobo/so101_cube_bowl_v1 \
  --dataset.num_episodes=50 \
  --display_data=true

Sau record, xem lại ít nhất 10% episode. Đừng chỉ nhìn loss sau training. Hãy mở video và hỏi:

Một dataset nhỏ nhưng sạch sẽ thắng một dataset lớn mà mỗi episode phải đoán lại.

Fine-tune từ checkpoint pretrained, đừng train from scratch

Với team nhỏ, train from scratch gần như luôn sai ở vòng đầu. Bạn không có đủ dữ liệu để dạy vision, language, action prior và contact dynamics từ zero. Bạn nên bắt đầu bằng checkpoint pretrained, fine-tune ít bước, đo failure, rồi quyết định thu thêm data hay đổi model.

Ba lựa chọn thực dụng:

Ví dụ fine-tune SmolVLA:

python lerobot/scripts/train.py \
  --policy.path=lerobot/smolvla_base \
  --dataset.repo_id=vnrobo/so101_cube_bowl_v1 \
  --batch_size=64 \
  --steps=20000 \
  --output_dir=outputs/train/so101_cube_bowl_smolvla \
  --job_name=so101_cube_bowl_smolvla \
  --policy.device=cuda \
  --wandb.enable=true

Ví dụ π0 trong LeRobot:

python lerobot/scripts/train.py \
  --policy.path=lerobot/pi0 \
  --dataset.repo_id=vnrobo/so101_cube_bowl_v1 \
  --output_dir=outputs/train/so101_cube_bowl_pi0

Ví dụ GR00T theo workflow NVIDIA:

# 1. Convert hoặc kiểm tra dataset ở LeRobot v2
# 2. Thêm meta/modality.json theo schema GR00T
# 3. Fine-tune với config embodiment/action phù hợp
python scripts/launch_finetune.py \
  --dataset-path /data/so101_cube_bowl_v1 \
  --modality-config configs/so101_modality.json \
  --output-dir outputs/groot_so101_cube_bowl

Các command trên là khung để bạn đối chiếu với version repo hiện tại. LeRobot và GR00T đổi CLI khá nhanh; nguyên tắc bền hơn command là: dataset chuẩn, policy pretrained, config embodiment rõ, evaluation tách khỏi train.

Mini data flywheel: 7 ngày, 4 vòng lặp

Đừng đợi một tháng mới train. Flywheel nhỏ nên chạy theo tuần:

Failure taxonomy nên đơn giản:

PERCEPTION: không thấy object, nhầm màu, glare, occlusion
LOCALIZATION: biết object nhưng reach sai vị trí
GRASP: tiếp cận đúng nhưng kẹp trượt
CONTACT: va bàn, đẩy object đi, kẹt gripper
LANGUAGE: hiểu sai prompt
RECOVERY: lệch khỏi demo rồi không sửa được
HARDWARE: servo yếu, backlash, rung, calibration lệch

Sau mỗi eval, đừng hỏi "cần thêm bao nhiêu episode?". Hỏi:

Failure lớn nhất thuộc nhóm nào?
Nhóm đó cần data mới, hardware fix, camera fix, hay model khác?

Nếu fail vì glare, thu thêm 500 demo trong cùng ánh sáng không giúp. Bạn cần đổi ánh sáng, thêm vật thể bóng trong train, hoặc đổi camera. Nếu fail vì gripper trượt do cơ khí, data không sửa được backlash.

Khi nào nên dùng data public?

Hugging Face Hub đã có nhiều LeRobot community datasets. SmolVLA được công bố như một model tận dụng dữ liệu cộng đồng LeRobot, và ví dụ lerobot/svla_so101_pickplace có 50 episode, 11.939 frame, camera 480x640, action space 6-DOF. Public dataset cực kỳ hữu ích cho ba việc:

Nhưng public data không tự động giải quyết embodiment của bạn. Camera đặt khác, gripper khác, table height khác, object khác, action normalization khác là đủ làm policy fail. Với team nhỏ, chiến lược tốt là:

Public data để học prior và kiểm tra tooling.
Private target data để dạy camera, robot, object, workflow thật của bạn.
Contributed public data để nhận lại community feedback và tạo uy tín.

Khi dùng dataset cộng đồng, đọc dataset card như đọc hợp đồng:

Nếu bạn đóng góp dataset lên Hugging Face, hãy làm dataset card tốt. Ghi rõ robot, camera, FPS, action space, số episode, số frame, task, split, known failures, license, và cách reproduce. Đây là cách team nhỏ biến một dataset 50 episode thành tín hiệu cộng đồng thay vì một zip file vô danh.

Checklist quyết định: task nào tự thu, task nào dùng public?

Dưới đây là checklist vận hành. Đánh dấu theo task, không theo công ty.

Một rule thực dụng:

Dùng public data cho skill phổ biến.
Tự thu data cho embodiment, domain, failure và workflow mà chỉ bạn có.

Ví dụ:

Bao nhiêu data là đủ cho vòng đầu?

Đừng lấy con số 50 episode làm luật vĩnh viễn. Hãy dùng nó như mốc khởi động. Từ Bài 5, bài học quan trọng là diversity thường đáng giá hơn việc lặp lại cùng setup. Với team nhỏ:

Quan trọng hơn số episode là cách chia:

Train: biến thể đã biết
Validation: cùng distribution, kiểm tra overfit
Test unseen: object/pose/light/operator chưa dùng trong train
Holdout customer-like: gần use case thật nhất, không đụng vào khi tuning

Nếu bạn cứ xem test set rồi thu đúng lỗi đó vào train, test set đã trở thành train set. Hãy giữ một holdout nhỏ nhưng nghiêm túc.

Dataset card mẫu cho team Việt Nam

Một dataset card tốt có thể ngắn nhưng phải đủ thông tin:

# vnrobo/so101_cube_bowl_v1

## Summary
SO-101 leader-follower demonstrations for cube-to-bowl pick-place.

## Robot
- Follower: SO-101, 6-DOF STS3215
- Teleop: SO-101 leader
- Cameras: front USB camera, 640x480, 30 FPS
- Action: 6-DOF joint targets + gripper

## Tasks
- Pick the red cube and place it in the white bowl
- Pick the blue cube and place it in the white bowl

## Dataset
- Train episodes: 100
- Eval episodes: 30
- FPS: 30
- Format: LeRobotDataset v2.1
- Known failures: glare on glossy cube, occasional gripper slip

## License
Apache-2.0 or CC-BY-4.0, depending on your business policy.

Đừng publish dataset có mặt người, thông tin khách hàng, bí mật dây chuyền, logo nội bộ, hoặc object thuộc NDA. Nếu muốn chia sẻ, hãy dựng task tương đương bằng object trung tính.

Kết luận: moat của team nhỏ là vòng lặp nhanh

Team nhỏ không thắng bằng lượng data thô. Team nhỏ thắng bằng việc chọn đúng task, record đúng schema, fine-tune đúng checkpoint, eval nghiêm túc, và thu thêm đúng failure mode. LeRobot + SO-101 giúp bạn bắt đầu với chi phí thấp. LeRobotDataset v2/v3 giúp dataset không bị khóa trong script nội bộ. SmolVLA, π0 và GR00T giúp bạn tận dụng model nền thay vì train từ đầu. Hugging Face community datasets giúp bạn học nhanh và đóng góp ngược lại.

Data strategy tốt cho startup Việt Nam nên có một câu rất rõ:

Chúng ta không thu "dữ liệu robot" nói chung.
Chúng ta thu bằng chứng để một policy pretrained làm được workflow thật,
trên embodiment thật, với biến thể thật mà khách hàng sẽ gặp.

Bài cuối của series sẽ bàn sâu hơn về câu hỏi chiến lược: trong cuộc chiến humanoid data, team nhỏ nên đặt cược vào open dataset, closed proprietary data, hay một mô hình lai?

Nguồn tham khảo

• Hugging Face LeRobot GitHub
• SO-101 official LeRobot documentation
• LeRobotDataset v3 documentation and migration notes
• GR00T LeRobot v2 data format
• SmolVLA official LeRobot documentation
• SmolVLA project page
• π0 and π0-FAST in LeRobot
• OpenPI release blog

Bài viết liên quan

• VLA Data Scaling: Luật Scaling Cho Robot Learning
• Synthetic Data Pipeline: Từ Sim Đến Thực
• LeRobot Humanoid $2500: Build Bipedal 3D-In Từ Zero