这篇题为《Closing the Loop in Teleoperation: Episode-Level Data Quality Assessment and Feedback for High-Quality Demonstration Collection》的论文于2026年5月25日提交至arXiv，编号为arXiv:2605.26349v1，归类为机器人学（cs.RO），由Gokul Narayanan等五位作者共同完成。研究聚焦于工业自动化转型背景下的遥操作数据质量问题，提出了一套数据质量评估与反馈框架，旨在帮助新手操作者更快地采集高质量的机器人演示数据。
论文指出，工业自动化正处于关键转折点。物理人工智能（Physical AI）正推动自动化系统从僵化、手工设计的模式转向更灵活、更具适应性的架构。这一转变带来了对大规模真实世界机器人演示数据的持续增长的需求，也使遥操作成为数据采集中日益重要的手段。然而在实践中，高质量的遥操作演示并不容易获得。新手操作者往往会产出这样的数据片段：任务本身执行成功，但对下游使用而言并不理想。原因包括动作效率低下、反复修正，以及在接近机器人关节极限的位置进行操作等。这些缺陷不会体现在简单的成功或失败判定中，却会显著影响演示数据的训练价值。
针对这一问题，作者提出了数据质量评估与反馈（Data Quality Assessment and Feedback，简称DQAF）框架，通过在遥操作流程中闭环引入即时的事后反馈来提升数据质量。该框架从语义任务进度与机器人遥测数据中提取与质量相关的信号，包括子任务完成进度、运动平滑度、停滞情况以及运动学极限等，并将这些信号转化为结构化的质量评估结果和可操作的自然语言反馈。与仅给出成功或失败二元判断的方式不同，该系统能够解释某个数据片段为何不够理想，并明确指出在下一次尝试中应当纠正的具体行为。
在评估方面，作者通过一项诊断性验证研究和一项试点用户研究来检验框架的效果。在验证研究中，系统在数据集筛选环节与人类评审员进行对比，能够给出拒绝理由以及可操作的改进建议。在试点研究中，三名新手操作者在两项操作任务上参与实验，其中获得系统即时自动化事后反馈的操作者，相比未获得反馈者进步更快，能够更早地产出更高质量的演示数据。
论文的提交信息显示，该版本于2026年5月25日21:52:08 UTC提交，文件大小约538 KB，DOI为https://doi.org/10.48550/arXiv.2605.26349，由DataCite发放（注册中）。论文提供PDF、实验性HTML以及TeX源码等全文链接，主题归类为机器人学（cs.RO），当前浏览上下文为2026年5月的新提交。
从更广的意义上看，这项工作回应了物理AI时代数据采集的一个核心瓶颈：数据规模的增长必须伴随数据质量的提升，否则低质量演示会稀释训练效果。DQAF的思路是把质量把关从离线的人工筛选前移到采集过程中的即时反馈，使操作者在每一次尝试后都能明确知道问题所在，从而在采集环节本身实现质量提升。这种以语义任务进度和机器人遥测为基础的评估方式，也为将人类评审经验部分自动化提供了可行路径。不过，论文的试点研究规模较小，仅涉及三名新手操作者和两项操作任务，其结论仍需在更大规模、更多样化的任务与操作者群体中进一步验证。