把 UnifoLM-WLA-1.0 接进自建机器人之前，真正卡人的往往不是模型接口，而是三路数据的时间戳对不上：图像由相机驱动写帧时间，指令由上层任务下发的时刻决定，本体状态来自控制器上报，三者频率和来源都不一样。这时先别急着调模型参数，先把时间基准定死、把对齐规则写下来、再用一小段回放数据验证一遍。判断方向很简单：如果一帧动作找不到时间上说得通的观测，那么这条样本进训练就是在教模型学错的东西。

接 UnifoLM-WLA-1.0 这类观测到动作的模型前，先把时间对齐做掉比调参更省事。适用场景是多路采集、时钟来源不统一的机器人本体：记录每路时间戳来源与实测间隔中位值，选一条统一基准并写死匹配方式和容差，再用一小段回放数据抽查每一帧动作能否找到对应观测。验证方式是看对齐脚本输出的超差清单与无匹配帧计数。容差应从动作帧与最近观测帧间隔的分布里来，对不上的片段宁可丢弃并标记，不要静默插值补帧。

记录三路数据各自的时间戳来源与采样频率

先弄清差异从哪来，再决定以谁为准。常见情况是：图像带有设备侧时间戳，指令是任务层调用时刻，本体状态是控制器上报时刻，三者可能分别落在采集主机时钟、相机内部时钟、控制器时钟上。不要先猜，先把每路的事实填进下面这张表，中位值必须是从日志里算出来的，不是估的。

统计中位值的做法很轻，把三路时间戳导出成两列 CSV（channel, timestamp_s）之后跑一次即可。注意：只有落在同一时钟下的时间戳才能放在一起比，跨时钟先别算间隔。

python3 - <<'PY'
import csv, statistics
rows = {}
for r in csv.DictReader(open('ts.csv')):
    rows.setdefault(r['channel'], []).append(float(r['timestamp_s']))
for ch, ts in rows.items():
    ts.sort()
    d = [b - a for a, b in zip(ts, ts[1:])]
    print(ch, 'n=%d' % len(ts), 'median_dt=%.6f' % statistics.median(d))
PY

顺带看一眼有没有时间戳回退或跳变，回退通常意味着存在多时钟混用或缓冲重排，这种情况下后面的容差怎么设都不稳。如果相机有硬件时间戳而本体状态没有，需要先确认两者的固定偏移大概是多少——用一个能同时被两边看到的触发信号双读一次，看偏移是不是稳定的常数，不稳就先别做跨时钟对齐。

选一条统一时间基准并写出对齐规则

基准的选择要服务于动作语义。通常建议以动作帧时刻为基准，把图像、指令、本体状态对齐到动作帧上，因为控制周期是这条数据链里语义最明确的一路。若动作时刻本身没有独立时间戳，可以先用本体状态的上报时刻代替，但要在规则里写明这一点，后续换硬件时重新确认。

匹配方式按通道分别定，不要一套打天下：

• 图像：用最近邻（零阶保持）。图像插值出来的是不存在的画面，对训练没有意义。若最近一帧图像同时有更早和更晚两个候选，取更早的那帧更保守。
• 指令：用最近邻，并且要求指令下发时刻不晚于动作帧时刻。用未来才下发的指令去解释当前动作，是典型的标签泄漏。
• 本体状态：若其上报频率明显高于动作频率，可以线性插值到动作帧时刻；频率接近时仍用最近邻。插值只对连续量做，离散量（比如夹爪开合状态位）不要插值。

容差不能拍脑袋给。可行的顺序是：先按最近邻把整段数据匹配一遍，得到每帧动作与其最近观测的 |Δt| 分布，再取一个分位点作为容差阈值，具体取多少取决于这批数据的实际分布和动作的时效要求，需要结合环境确认。算出来的值写进对齐规则文件，别留在脑子里。

align:
  base_channel: action
  match:
    image:       {method: nearest,            max_dt_s: 实测分位点}
    instruction: {method: nearest_prev_only,  max_dt_s: 实测分位点}
    proprio:     {method: linear_or_nearest,  max_dt_s: 实测分位点}
  on_violation:
    train: drop
    eval:  keep_and_flag

超差时丢弃还是保留，取决于用途：训练数据一般直接丢弃该动作帧，并把它写进 rejected 清单，避免模型学到错配的观测；若这类帧特别宝贵，可以保留但打上 is_stale 标记，训练和评测时按标记过滤。评测回放时不要丢弃，要让它暴露出来，否则你会以为对齐没问题。

用一小段回放数据验证对齐结果

不必跑全量数据，取一段能覆盖一次完整动作的原始数据即可，短一点没关系。回放脚本按上面那份配置逐动作帧找观测，输出统计而不是只打印一句「通过」。

python3 align_check.py `--data` ./session_001 `--config` align.yaml `--out` ./align_report

输出检查项至少包含：动作帧总数、成功匹配数、无匹配数；每路 |Δt| 的最小值、中位值、最大值；时间戳非单调的帧号；以及一份超差或无匹配的帧清单。清单里要能直接看到是哪一路缺了观测。

bad = []
for idx, t_a in enumerate(action_ts):
    for ch, ts in obs_ts.items():
        if not any(abs(t - t_a) <= tol[ch] for t in ts):
            bad.append((idx, t_a, ch))   # 该动作帧在 ch 上无对应观测

脚本之外还要做一次目视抽查：把匹配上的图像帧和动作帧按时间顺序成对看几帧，确认画面里的状态变化和动作时刻说得通，比如夹爪开合的瞬间在画面里出现的时刻不至于差得很远。计数只说明「找得到」，抽查才说明「找得对」。

把对齐检查整理成可反复跑的清单

每批新数据都按同一套标准过一遍，避免这次用手感、下次凭印象。必查项与处置方式如下：

1. 三路时间戳单调递增。出现回退，回退到「记录时间戳来源」这一步，查采集侧是否混用了时钟或存在缓冲重排。
2. 每路实测间隔中位值与标称频率的偏差。偏差明显，回退到采集侧查丢帧和缓冲，先别动对齐参数。
3. 各通道超差帧占比，阈值用本批数据统计出的分位点。数量异常偏多，回退到「选统一时间基准」，重新确认时钟关系和基准选择是否合理。
4. 无对应观测的动作帧数。只要不为零就逐帧列出来人工看，不要只看汇总数字。
5. 指令时刻晚于动作帧时刻的帧数。这一项应当为零，不为零说明匹配规则或指令时间戳取错了。

回退顺序建议固定成：先查采集侧时钟与频率，再回到基准选择，然后才是容差与匹配方式，最后才判定这批数据不可用、需要重采。把这份清单和 align.yaml 放在同一个目录里，新数据来了直接按顺序跑，哪一步没过就停在哪一步。