Verbessern und teilen

Einheit 6 von 6 · Verbessern & Teilen · ~ 1,5 Stunden

Verwandeln Sie Ihre Fehlerdiagnose der Einheit 5 in eine gezielte Datenerhebung. Mischen Sie Datensätze, teilen Sie Ihre Arbeit mit der Gemeinschaft und planen Sie Ihren Weg zu leistungsfähigeren Richtlinien.

Das Daten-Flugrad

Die Datenrolle ist die Kern-Iterationsschleife für jedes ernsthafte Roboter-Lernprojekt:

1

Beurteilung

20 Versuche, Erfolgsraten, Fehler nach Typ.

2 .

Identifizieren Sie den primären Ausfallmodus

Ist es die Datenqualität (inkonsistente Demo), die Verteilungsschicht (unsichtbare Positionen) oder die Modellkapazität (ausreichend präzise, aber falsch)?

3

Zielgerichtete Daten erfassen

Erfassen Sie 20 30 Demonstrationen, die das Ausfallregime speziell abdecken. Wenn die Politik bei Objekten auf der linken Seite des Arbeitsplatzes ausfällt, erfassen Sie 20 Demonstrationen dieser spezifischen Position.

4

Umschulung und Neubewertung

Verfließen Sie die neuen Daten mit Ihrem bestehenden Datensatz, umzubilden und führen Sie die 20-Studie-Evaluierung erneut durch. Erwarten Sie eine Verbesserung von 1020 Prozentpunkten pro Zyklus, wenn die Diagnose korrekt war.

Vermischung von Datensätzen

LeRobot kann gleichzeitig auf mehreren Datensätzen trainieren, was nützlich ist, um Ihre zielgerichteten Datenerhebung mit Ihrem ursprünglichen Datensatz oder sogar mit Datensätzen der öffentlichen Gemeinschaft für dieselbe Aufgabe und Roboterart zu kombinieren.

# Zwei Datensätze in einen neuen kombinierten Datensatz verschmelzen Python -m lerobot.scripts.train \ --policy-type act \ --datensatz-repo-id "$HF_USER/pick-place-v1,$HF_USER/pick-place-targeted" \ --examples-repo-id-weights "1.0,2.0" -- \put-outset-direct-bot-pick-pick-v2 \ \ \ \

Mixing mit öffentlichen Datensätzen: Bevor Sie in einem Community-Datensatz mischen, überprüfen Sie, ob der Robotertyp und die Aktionsraumdimensionen mit Ihnen übereinstimmen.

Teilen Sie Ihr Modell auf HuggingFace Hub

Wenn Sie Ihr ausgebildetes Modell teilen, ist es für die Community verfügbar und lassen Sie andere Ihre Richtlinie als Ausgangspunkt verwenden.

# Schieben Sie Ihren besten Checkpoint in HuggingFace Hub python -m lerobot.scripts.push_policy_to_hub \ --checkpoint-path \ ~/lerobot-policy/pick-place-v1/checkpoints/step_050000 \ --repo-id $HF_USER/act-pick-place-so100 # Fügen Sie eine Modellkarte hinzu (empfohlen) # Der Push-Befehl erstellt eine README.md-Vorlage füllen Sie es aus mit: # - Roboter- und Aufgabenbeschreibung # - Training-Datenrepo-ID # - Bewertungsschrittsrate # - Video des auf Ihrem Roboter ausgeführten Richtlinientyps

Teilen Sie Ihren Datensatz mit der Gemeinschaft

Ihr Datensatz, den Sie in Unit 3 eingeschoben haben, ist bereits auf HuggingFace Hub.

• Fügen Sie eine dataset-karte auf huggingface hinzu beschreiben Sie die Aufgabe, den Roboter, die Aufnahme-Setup und die Anzahl der Episoden.
• Kennzeichnen Sie es mit T2, Ihrem Robotertyp (z.B. T3) und Ihrer Aufgabenkategorie (z.B. T4).
• Sie werden in die [RCSV Datensatzbibliothek]T7) eingereicht, um sie zu verwalten und in den Community-Index aufzunehmen.

Die Hardware-Konfigurationen zurück an LeRobot

Wenn Sie einen benutzerdefinierten Hardware-Konfigurierung für einen nicht unterstützten Roboter in der Einheit 1 hinzugefügt haben, sollten Sie darüber nachdenken, ihn wieder in das LeRobot-Repository zu beitragen. Öffnen Sie eine Zugfrage zu T5 mit Ihrer Konfigurationsdatei in T6. Die Wartungsleiter überprüfen Hardware-Beiträge schnell und dies profitiert direkt von jedem zukünftigen Benutzer dieser Hardware.

Was kommt als Nächstes: Kapazitätsreichere Politik

Sie haben jetzt den kompletten LeRobot-Workflow.

Sprache

Sprachenbedingte Politiken

Schalten Sie von ACT auf SmolVLA, wenn Sie möchten, dass die Richtlinie auf natürliche Sprachanweisungen ("auf den blauen Block") reagiert oder sich über Aufgaben hinweg verallgemeinert. Es erfordert ~ 200+ Demonstrationen und ein strukturierteres Promptsformat. Siehe das SmolVLA-Papier und LeRobot-Beispiele.

Größenordnung

Pi0Fast Hochgeschwindigkeits-VLA-Abschluß

Pi0Fast läuft bei 100Hz-Förderung (gegen ACT's 30Hz), was schnellere Manipulationsarbeiten und engere Steuerungsläufe ermöglicht. Es benötigt eine GPU zur Förderung, produziert aber deutlich mehr geschicktes Verhalten im Maßstab.

Verallgemeinerung

Mehrfach- und Aufgabenpolitik

Schulen Sie eine einzige Politik bei mehreren Aufgaben mit einem gemischten Datensatz mit unterschiedlichen Tasken_index-Werten pro Episode. SmolVLA und Pi0Fast unterstützen beide Multitask-Trainings nativ. Siehe das LeRobot-Multi-Task-Rezept in den GitHub-Beispielen.

Sie haben den LeRobot-Pfad abgeschlossen.

Sie haben LeRobot installiert, das Datensatzformat verstanden, Ihre eigenen Demonstrationen aufgenommen, eine ACT-Richtlinie ausgebildet, sie systematisch bewertet und das Datenruder ausgeführt. Das ist der komplette Open-Source-Roboter-Lern-Workflow derselbe, der von Forschungslabors und Robotik-Startups weltweit verwendet wird.

Fragen Sie im Forum Teilen Sie Ihr Ergebnis in Showcase

Fragen? Beitreten Sie der HuggingFace Discord #lerobot** die Wartungsleute und die Gemeinschaft sind aktiv und willkommen.