Zug und Einsatz

Einheit 5 von 5 · Zug & Einsatz · ~ 3 Stunden

Schulen Sie eine Strategie für das Imitationslernen auf Ihrem 50-Episoden-Datenpaket, bewerten Sie ihn offline und setzen Sie ihn live auf der O6 ein. Ziel: ≥70% Erfolgsrate bei 20 Evaluierungsversuchen in der realen Welt.

Wählen Sie eine Politikarchitektur

Für Anfänger empfohlen

ACT (Action Chunking mit Transformatoren)

Schnelles Training (12 h auf 16 GB GPU). Ausgezeichnet für Pick-and-Place- und Kurzhorizont-Aufgaben. Standard-Auswahl für O6-Tischmanipulation.

Diffusionspolitik

Langsamere Ausbildung (35 h) aber besser mit multimodalagen Aktionsverteilungen umgehen.

Schritt 1: Train mit ACT

python -m lerobot.scripts.train \
  --dataset_repo_id=your-username/o6-pick-place \
  --policy.type=act \
  --policy.chunk_size=100 \
  --training.num_epochs=200 \
  --training.batch_size=32 \
  --training.lr=1e-4 \
  --output_dir=./checkpoints/o6-act-v1

# Monitor training loss
tensorboard --logdir=./checkpoints/o6-act-v1/logs/

ACT-Training stabilisiert sich in der Regel innerhalb von 100 150 Epochen auf einem 50-Episoden-Datensatz.

Schritt 2: Offline-Bewertung

Bevor Sie die Hardware einsetzen, prüfen Sie den Checkpoint für ausgehaltenen Episoden aus Ihrem Datensatz:

python -m lerobot.scripts.eval \
  --pretrained_policy_name_or_path=./checkpoints/o6-act-v1 \
  --env.type=linker_bot_o6_sim \
  --eval.n_episodes=20 \
  --eval.batch_size=10

Wenn Ihre Umgebung kein Sim-Modell hat, verwenden Sie stattdessen den Datensatzwiedergabe-Evaluator:

python -m lerobot.scripts.visualize_dataset \
  --repo-id your-username/o6-pick-place \
  --episode-index 0 \
  --policy-checkpoint ./checkpoints/o6-act-v1

Schritt 3: Live-Deployment auf der O6

python -m lerobot.scripts.control_robot \
  --robot.type=linker_bot_o6 \
  --control.type=evaluate \
  --pretrained_policy_name_or_path=./checkpoints/o6-act-v1 \
  --control.fps=30 \
  --control.num_episodes=20 \
  --control.episode_time_s=30

Für jeden Versuch:

1. Setzen Sie das Objekt in die Standard-Startposition.
2. Bestätigen Sie, dass der Arm in der Heimposition ist.
3. Beginnen Sie die Episode, und wirken Sie nicht ein, wenn der Arm nicht mit sich selbst oder dem Fliegen in Kontakt kommt.
4. Erfolg (Abschluss der Aufgabe) oder Fehler aufzeichnen und den Fehlermodus notieren.

Interpretationsergebnisse

Success Rate	Action
≥70%	Path complete. Share your results and contribute your dataset.
50–69%	Collect 20–30 more episodes targeting your top failure mode. Retrain.
Below 50%	Review dataset quality. Check camera alignment and starting position consistency. Consider a simpler task variant.

Das Daten-Flugrad

Ständige Verbesserung nach Ihrem ersten Einsatz:

1. Identifizieren Sie die wichtigsten Fehlermodi von 23 aus dem Bewertungsabschluss.
2. Sammeln Sie 20 30 gezielte Demonstrationen, die diese Fehler abdecken.
3. Mischen Sie neue Episoden mit Ihrem ursprünglichen Datensatz (50/50 oder Gewicht auf Fehler).
4. Das neue Training vermeidet eine katastrophale Vergessenheit von kleinen Datensätzen.
5. Wiederholen, bis die Zielrate erreicht ist.

Die Ergebnisse teilen

# Push your trained policy to HuggingFace Hub
python -m lerobot.scripts.push_policy_to_hub \
  --pretrained_policy_path=./checkpoints/o6-act-v1 \
  --repo-id=your-username/o6-pick-place-act

Einheit 5 ist fertig, wenn...

Ihr ACT-Checkpoint (oder Diffusion Policy) erzielt eine Erfolgsrate von ≥70% in 20 Live-Evaluierungsversuchen auf der O6. Sie haben alle Testergebnisse protokolliert und alle verbleibenden Fehlermodi identifiziert. Ihr Datensatz und Ihr Policy-Checkpoint werden auf HuggingFace Hub gesichert und optional geteilt.

Der Weg ist vollständig

Sie haben sich von der Abboxung des LinkerBot O6 zu einer funktionierenden Imitationslehrpolitik in der Produktion entwickelt. Teilen Sie Ihre Ergebnisse im RCSV Forum und tragen Sie Ihren Datensatz in das [Datensatzregister](T6 ein.

[← Zurück zu Path-Übersicht]