10 häufige Fehler beim Roboternamen (und wie man sie beheben kann)
Die häufigsten Fehler, die Teams beim Training von Roboter-Politiken mit Imitationslern machen, sind Datenqualität, Algorithmuswahl, Bewertung und Einsatzfehler mit spezifischen Korrekturen für jede.
Teil von: [Handbuch zum Nachbilden]
[← Blog]
Die meisten Fehler im Imitieren sind auf Datenprobleme zurückzuführen, nicht auf Algorithmenprobleme. Hier sind die 10 Fehler, die wir am häufigsten sehen, mit spezifischen technischen Korrekturen für jede.
Einführung
Das Imitationslernen ist betrügerisch zugänglich. Der Algorithmus ist einfach, die Einrichtung ist standardmäßig, und es gibt ausgezeichnete Open-Source-Implementierungen für [ACT]
Fehler 1: Zu wenige Demos für Aufgabenstörungen
Der häufigste Fehler ist die Anwendung einer festen Demo-Zahl unabhängig von der Komplexität der Aufgabe.
Eine grobe Schwierigkeitsskala: L1 (Offenzugriff und Greifen großer Objekte in offenem Schlag): 50-200 Demos. L2 (Schließschlag-Pick-Place mit unterschiedlichen Objektsposen): 300-800 Demos. L3 (Kontaktreiche Einfügung, Montage mit 5mm Toleranz): 1.000-5.000 Demos. L4 (dexterose Handmanipulation): 5.000-20.000 Demos.
Wie kann man feststellen: Trainingsabfälle konvergieren, aber die Evaluierungserfolgsquote ist gering (< 60%).
Fix: Verwenden Sie die oben genannte Schwierigkeitsskala als Budgetschätzung, bevor Sie mit der Erhebung beginnen. Wenn die geschätzten Kosten Ihr Budget übersteigen, prüfen Sie, ob die Aufgabe vereinfacht werden kann (größere Toleranz, vor positioniertes Objekt) um ein Schwierigkeitsniveau zu senken.
Fehler 2: Ungleichmäßige Beleuchtung zwischen Sammlung und Ausführung
Lichtänderungen, die für das menschliche Auge trivial aussehen - von morgens bis abends durch ein Fenster bewegen, einen oberen Leuchtstoffrohr ersetzen, eine nahegelegene Tür öffnen - können die Pixelwerte um 15 bis 30% ändern und die visuelle Politik katastrophalerweise versagen lassen. Wir haben gesehen, dass die Politik mit einer 90%igen Erfolgsrate im Datenerfassungszimmer 20% Erfolg erzielt, wenn sie in einem anderen Gebäude auf einer anderen Etage eingesetzt wird.
Wie kann man feststellen: Politik funktioniert gut in der Sammelumgebung, aber nicht bei der Bereitstellung.
Fix: Steuerung der Beleuchtung während der Datenerhebung (Blackout-Vorhänge oder LED-Paneel mit festem Farbtemperatur, 5000K-Taglicht-ausgeglichen).
Fehler 3: Fehlgeschlagenen Demonstrationen nicht filtern
Rohdaten aus neuen Betreibern enthalten in der Regel 15-30% gescheiterte Episoden. Betreibende, die das Teleoperationssystem lernen, machen schmutzige Greifen, entlassen versehentlich Objekte oder streichen diese mitten in der Aufgabe ab. Wenn Sie diese in Ihren Trainingsatz einbeziehen, lernt die Politik, sowohl erfolgreiches als auch nicht erfolgreiches Verhalten zu imitieren - was im Durchschnitt zu einer durchschnittlichen Politik führt.
Wie kann man feststellen: Politik zeigt Zögern, teilweise Verhaltensverhältnisse oder "verwirrtes" Verhalten, das sich wie ein Durchschnitt zwischen zwei verschiedenen Strategien auszeichnet.
Fix: Erstellen oder verwenden Sie einen einfachen Erfolgsklassifizierer. Für Pick-Place-Aufgaben kann dies so einfach sein, wie zu überprüfen, ob das Objekt am Ende der Episode in der Zielzone ist. Filtern Sie gescheiterte Episoden vor dem Training. Bei RCSV führen wir eine automatisierte Erfolgsklassifizierung sowie eine menschliche Überprüfung aller gesammelten Daten vor der Lieferung durch. Selbst 10% gescheiterte Demo-Aufgaben verursachen einen Rückgang der Erfolgsquote der Politik um 20-30%.
Fehler 4: Ein Kamera
Eine einzige feste Kamera schafft während des Anschlusses Verstopfungsprobleme. Wenn sich der Roboterarm in den Arbeitsplatz bewegt, kann er die Sicht des Objekts und des Griffers gleichzeitig blockieren - und die Politik ohne visuelle Informationen genau dann zurücklassen, wenn sie das Detail am meisten benötigt. Dies ist besonders schädlich für Einfügungsaufgaben, bei denen die letzten 5 cm Anschluss kritisch sind.
Wie zu erkennen: Die Politik ist bei einem Vor-Griff-Ansatz erfolgreich, aber während der letzten Kontaktphase von 2-5 cm fehlt.
Fix: Verwenden Sie eine Dreikamera-Einstellung als Basislinie: (1) Oberflächenfeste Kamera für die Arbeitsumgebung, (2) Seitenwinkel Kamera für die Arm-Objekt-Beziehung, (3) Handgelenk-montierte Kamera für die Kontaktzone. Die Handgelenk-Kamera ist die einzig wirksamste Ergänzung - sie gibt der Politik direktes visuelles Feedback auf den Griffkontakt, den keine externe Kamera bieten kann. Siehe unseren [Teleoperationsführer]
Fehler 5: Fehler Objektspositionsrandomisierung
Viele Teams sammeln Demonstrationen mit Objekten in fast identischen Startpositionen - der Betreiber stellt das Objekt vor jeder Episode ungefähr an der gleichen Stelle.
** Wie man feststellt:** Hohe Erfolgsrate bei Trainingsverteilungspositionen (>90%) aber schnelle Abbau mit auch kleinen Positionsstörungen.
Fix: Bevor jeder Episode das Zielobjekt in eine zufällige Position innerhalb des erreichbaren Arbeitsraums platzieren. Verwenden Sie ein Raster oder markierte Zonen, um eine systematische Abdeckung zu gewährleisten. Bei orientierungsempfindlichen Aufgaben (Einsetzen, Montage) wird auch die Orientierung zufällig: mindestens acht unterschiedliche Startorientierungen gleichmäßig verteilt.
Fehler 6: Fehlende Kontakt-reiche Phase-Daten
Die meisten Aufgaben haben unterschiedliche Phasen: Ansatz, Kontakt, Manipulation, Freisetzung. Die Betreiber schleppen oft die Kontaktphase (das Moment, in dem der Griff das Objekt berührt) durch, weil es für sie intuitiv ist. Wenn die Demonstrationen in 2-3 Zeitschritten die Kontaktphase durchlaufen, hat die Politik für den kritischsten Moment der Aufgabe fast kein Trainingssignal.
Wie zu erkennen: Politik führt den Ansatz korrekt durch (bewegt sich in die richtige Position), aber versagt im Moment des Kontakts - die Greifungen sind instabil, die Einfügung fehlt, die Platzierung ist aus.
Fix: Befehle den Betreibern, sich während der Kontaktphase zu verlangsamen. Ein nützliches Protokoll: Anschluss mit normaler Geschwindigkeit, langsam bis 50% Geschwindigkeit, wenn der Griff innerhalb von 3 cm vom Gegenstand liegt, und langsamer Geschwindigkeit durch den Kontakt, bis ein stabiler Griff erreicht wird. Dies gibt der Politik 3-5x mehr Trainingssignal für die kritische Phase. Alternativ können zusätzliche Demonstrationen vor der Kontaktphase erstellt werden (der Griff ist bereits in der Nähe des Objekts positioniert).
Fehler 7: Bewertung nur auf der Weiterbildung
Eine Politik, die eine 90%ige Erfolgsrate bei den genauen Objekten und Positionen erreicht, kann unter etwas anderen Bedingungen 30% erreichen.
Wie kann man feststellen: Wenn man nicht auf ausgetretenen Bedingungen bewertet hat, hat man dieses Problem per Definition.
Fix: Bevor Sie eine Politik abschließen, führen Sie eine Bewertung in drei ausgehaltenen Bedingungen durch: (1) neue Objekte derselben Kategorie (verschiedene Farbe, Größe, Textur), (2) neue Startpositionen außerhalb der Trainingsverteilung, (3) verschiedene Hintergrund-/Tischfläche.
Fehler 8: Vernachlässigung der Komponentenfehler
Die Verhaltensklonungspolitik leidet unter einem komponierenden Fehler: Kleine Fehler akkumulieren sich im Laufe der Zeit und drängen den Roboter in Zustände, die während des Trainings nie zu sehen waren. Bei Aufgaben, die länger als 5-10 Sekunden sind, kann dies zu einem vollständigen Ausfall führen, auch wenn die ersten Schritte richtig aussehen.
Wie kann man feststellen: Die Politik beginnt gut, verschlechtert sich jedoch im Laufe der Zeit innerhalb einer einzigen Episode. Die ersten 2-3 Sekunden sehen gut aus; in den ersten 5 bis 8 Sekunden befindet sich der Roboter in einem nicht wiederherstellbaren Zustand. Längere Episoden scheitern mit höheren Raten als kürzere Episoden.
Fix: Zwei konkrete Ansätze. Action Chunking (wie in [ACT](
Fehler 9: Fehler Aktionsraum
Der Aktionsraum - was die Politik tatsächlich voraussagt - hat eine überraschend große Wirkung auf die Leistung. Die beiden gemeinsamen Entscheidungen sind Joint-Space-Aktionen (Ziel-Joint-Positions) und Cartesian-Space-Aktionen (Ziel-End-Effektor-Pose). Die falsche Wahl für Ihre Aufgabe schafft unnötige Schwierigkeiten für die Politik.
Wie zu erkennen: Politik trainiert gut (niedriges Verlust) aber erzeugt untragbare oder physisch unwahrscheinliche Bewegungen bei der Bereitstellung.
Fix: Verwenden Sie Joint-Space-Aktionen (Ziel-Joint-Positionen) als Standard für die Teleoperationsdaten von Leader-Follower, da der Leader-Arm natürlich Joint-Space-Ziele erzeugt. Verwenden Sie Cartesian-Space-Aktionen nur, wenn Ihre Aufgabe eine starke geometrische Struktur hat, die leichter in Cartesian-Koordinaten ausgedrückt werden kann (z.B. eine gerade Linie zeichnen). Für die ACT-Anwendungen verwendet die ursprüngliche Implementierung speziell Joint-Space-Aktionen, und dies ist die empfohlene Standardverwendung.
# Joint-space vs Cartesian-space action -- use joint-space by default
# This is how RCSV records actions for ACT training:
# GOOD: Joint-space action (7-dim: 6 joints + gripper)
action = leader_arm.get_joint_positions() # Direct from leader arm
# Stored as: [j1, j2, j3, j4, j5, j6, gripper_width]
# AVOID (unless you have a specific reason):
# Cartesian-space action (7-dim: xyz + quaternion)
# action = robot.get_ee_pose() # Requires IK at deployment
# IK solutions may be non-unique, introducing discontinuities
Fehler 10: Überspringen Sie das Daten-Flugrad
Die Teams mit den besten Strategien sammelten nicht die meisten Daten im Voraus, sondern die, die ihre Daten kontinuierlich auf der Grundlage beobachteter Fehlermodus verbessern. Einmalige Sammlung plus einmalige Training erzeugt eine Politik, die auf die Qualität Ihres ursprünglichen Datensatzes eingefroren ist.
Wie kann man feststellen: Sie haben eine Richtlinie ausgebildet, sie funktioniert mit einer Erfolgsrate von X% und Sie haben seitdem keine zusätzlichen Daten gesammelt.
Fix: Ein Daten-Flugrad von Tag eins aufbauen. Die Politik einführen, jedes Fehlverhalten protokollieren, Fehler wöchentlich überprüfen, die drei wichtigsten Fehlermoduskategorien identifizieren, 50-100 zielgerichtete Demonstrationen über diese Fehlermodus sammeln, umschalten. Selbst 50-100 zielgerichtete Fehler-Recovery-Demonstrationen pro Iteration können die Robustheit dramatisch verbessern. Die RCSV Datenplattform macht diese Schleife effizient: Fehlerprotokolle werden direkt in die Sammelungsaufgabenreihen eingespeist, und die Betreiber sammeln gezielte Demonstrationen gegen bestimmte Fehlerkategorien.
Datenbestand Qualitätskontrolle
Vor dem Training überprüfen Sie, ob Ihr Datensatz alle folgenden Kontrollen durchläuft:
- [ ] Die Episodezahl entspricht der Schwierigkeitsschwelle -- L1: 50+, L2: 300+, L3: 1000+, L4: 5000+
- [ ] Filterung von fehlgeschlagenen Episoden -- <5% Ausfallrate im Trainingssatz nach Filterung
- [ ] Objekt pose randomisiert -- Startpositionen bedecken > 80% des Einsatzbereichs
- [ ] Beleuchtung gesteuert oder erweitert -- einheitliche Beleuchtung während der Sammlung OR aggressive Erweiterung geplant
- [ ] Multi-Kamera-Einstellung - mindestens 2 Kameras (Overhead + Handgelenk), idealerweise 3
- [ ] Zeitstempeln monotonisch und synchronisiert -- Anpassung von Beobachtung und Aktion innerhalb von 10 ms
- [ ] Kontaktphasen ausreichend geprobt -- >5 Zeitschritte vom ersten Kontakt bis zum stabilen Griff
- [ ] Kein Betreiber identifizierte Artefakte -- Überprüfen Sie 10 zufällige Episoden für Zögerungen, Korrekturen oder ungewöhnliche Muster
- [ ] Streckengleichheit innerhalb der Grenzen -- Durchschnittliche Schlagung unterhalb der Aufgabengrenze
- [ ] Ausgehaltene Bewertungssätze -- 30-50 Episoden mit neuen Bedingungen für die Prüfung
Die Datenverarbeitung von RCSV führt die meisten dieser Kontrollen automatisch durch. Für Teams, die ihre eigenen Daten sammeln, sollte diese Checkliste vor jedem Training überprüft werden.
Verwandte Lesungen
- ACT-Politik erklärt -- Architekturdetails für den beliebtesten IL-Algorithmus
- Start mit Teleoperation -- Wie man die Sammlung richtig einrichtet
- Kreuzkörpertraining -- Nutzung von mehrroboterbezogenen Daten
- RCSV-Datendienste -- qualitativ gefilterte Demonstrationssammlung
- RCSV-Datenplattform -- Datenbestandsverwaltung und Qualitätsverfolgung
Bevor Sie Ihren Algorithmus beheben, reparieren Sie Ihre Datenleitung
Die Datenerhebungsdienste von RCSV bieten qualitativ gefilterte, mehrkameraübergreifende Demonstrationen mit automatisierter Erfolgsklassifizierung und standardmäßig durchgesetzter vollständiger Qualitätskontrollliste.
[Erforschung von Datendiensten] [T14