位移不到 5 厘米算失败：百度用几何规则打成功标签

位移不到 5 厘米算失败：百度用几何规则打成功标签

百度智能云百舸的《成功标签评估》更新时间是 2026-07-29。这一页是数据处理算子，不是一份模型榜单。它做两件事：判断任务成不成功，以及把 2D 检测框抬成 3D 框。计算是纯 numpy，离线跑在 CPU 上，不依赖模型和 GPU。文档把它放在 P3 多模态打标链路里。成败判定被称为可审计的几何首版。生产环境可以把 eval 模式接到 VLM 或奖励模型，这一页没有给出接入步骤。

怎么判成功

eval 模式读末端 7-DoF 动作序列。7-DoF 是末端执行器的七个自由度。成功与否只看前 3 维平移增量：把它们加起来，再取模，得到累积位移。还可以再看一个可选的物体倾斜角，单位是度。输出是布尔值。

默认阈值：最小位移 min_displacement 是 0.05 米，最大倾斜角 max_tilt_deg 是 15 度。位移和倾斜角都可以改。页面没有写两个条件是「与」还是「或」。示例只演示了位移。

示例里有两条序列，每条 5 步，每步只有 3 个数，不是规格里的至少 7 维。动的那条每步 dx 是 0.02，累计 0.10，大于等于 0.05，算成功。不动的那条每步 0.001，累计 0.005，小于 0.05，算失败。min_displacement 在这次调用里仍设成 0.05。算子跑在 Daft 上，num_cpus=1，concurrency=1，batch_size=2。

2D 框怎么抬起来

lift_bbox_3d 模式的输入是 2D 框 [x1,y1,x2,y2]。可选的 camera 可以是 3×3 内参展成 9 个数，或 4×4 外参展成 16 个数。没有深度时用 depth_prior，默认 0.6 米。3D 框半边长 box_half_size 默认 0.05 米。没给内参时，用 fx 和 fy 把归一化像素换到相机坐标，默认都是 1.0。输出是 8 个角点，每个角点 3 个数。

两种模式返回同一种 struct：success 和 bbox_3d。eval 只填 success，另一种模式只填 bbox_3d，剩下的字段留空或 False。mode 默认是 eval。

输入列叫 col_a 和可选的 col_b。eval 时 col_a 是动作序列，形状写成 list of list，N 行、至少 7 列；col_b 是倾斜角。抬框时 col_a 是 2D 框，col_b 是相机参数。

限制

这一页没有真实数据集上的准确率，没有和人工标注的对照，也没有 VLM 后端的分数。0.05 米、15 度、0.6 米、0.05 米半边长、fx 和 fy 为 1，都是默认可改参数，不是测出来的最优值。示例序列只有 3 维，和「至少 7 维」的输入说明不一致，页面没有解释缺维怎么补。倾斜角不传时算不算通过，没有写。3D 框是几何先验，不是检测模型的输出。

百度智能云，成功标签评估，2026-07-29，https://cloud.baidu.com/doc/AIHC/s/Bms64ibia