数据飞轮通过部署数据的洞察实现持续改进。机器人部署会产生大量高维的 rollout 数据，难以直接理解，也难以据此制定可靠的数据收集策略。为了解决这一问题，本文提出 行为图，将策略 rollout 压缩为单一的可解释有向图。构建过程包括：① 学习在不同 rollout 中识别相似的行为模式；② 按时间顺序连接这些行为节点；③ 将节点与任务结果关联。用户研究在三个真实任务上进行，参与者需要基于 rollout 选择数据收集方案。18 人中有 16 人更倾向于使用行为图而非视频，且在感知时间负担上降低 40.3%，工作量降低 37.6%，结论与视频分析基本一致。除了可解释性，行为图还能预测任务进度：在 43 组数据上，预测进度的秩相关提升 22.9%，平均绝对误差下降 53.5%，优于所有基线。随着部署机器人数量增长，行为图为高维 rollout 提供结构化视图，帮助研发人员更高效地解读和利用部署数据。
点评：行为图通过无监督学习将复杂的机器人行为序列转化为直观的图形，显著降低了分析成本并提升了进度预测精度，具备广阔的实际应用前景。