改善和分享

提高和分享 · ~1.5小时

让第五单元的失败诊断变成目标数据收集.

数据飞行车

机器人学习政策的最可靠方法不是改变模型,而是改进数据.数据飞轮是任何严的机器人学习项目的主要代循环:

其他

评估

测量成功率,按类型分类失败.

其他

确定主要故障模式

数据质量 (不一致的演示),分布转移 (未见的位置) 或模型容量 (足够精确的轨迹但错误)?

其他

收集目标数据

记录2030个具体涵盖故障制度的示范. 如果该政策在工作场所左侧的物体上失败,记录该特定位置的20个示范.不要记录已经工作的更多.

其他

重新训练和重新评估

将新数据与现有的数据集结合起来,再训练,再运行20次试验评估.

混合数据集

雷罗特可以同时训练多个数据集,这对于将您的目标收集数据与原始数据集或甚至与公共社区数据集进行相同任务和机器人类型的组合有用.

通过将两个数据集结成一个新的组合数据集 python -m lerobot.scripts.train.push_dataset_to_hub \ --dataset-dir ~/lerobot-datasets/pick-place-v1 \ --repo-id $HF_USER/pick-place-v2-merged # OR train directly on multiple repo IDs python -m lerobot.scripts.train \ --policy-type act \ --dataset-repo-id "$HF_USER/pick-place-v1,$HF_USER/pick-place-targeted" \ --examples-repo-id-weights "1.0,2.0" -- \put-set ~ ~dir/robot-pick-v2 数据集对原始目标参数进行排行

与公共数据集混合: 在在社区数据集中混合之前,请检查机器人类型和动作空间尺寸是否匹配您的.将7DOF数据集混合到6DOF训练中会导致无声形状不匹配错误.

在"脸中心"分享你的模型

分享您的训练模型使其可供社区使用,让其他人使用您的政策作为出发点.

推到 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 # 添加模型卡 (建议) # 推命令创建了 README.md 模板 填写: # - 机器人和任务描述 # - 训练数据集 repo ID # - 评估率 # - 视频在机器人运行的政策类型

让您的数据集与社区分享

为了让它更容易被发现和更有用:

• 在 HuggingFace 上添加一个数据集卡,描述任务,机器人,录音设置和集数.这是你可以为数据集的发现性做最有影响力的单一事情.
• 标签它T2,你的机器人类型 (例如T3),以及你的任务类别 (例如T4).
• 提交给 [RCSV数据集库]T7) 进行编辑并列入社区索引.

贡献硬件配置回 LeRobot

如果您在1个单元中添加了一个不支持的机器人自定义硬件配置,请考虑将其重新添加到LeRobot库中. 打开一个拉取请求到T5,并将您的配置文件添加到T6.维护人员会快速审查硬件贡献,这将直接有利于该硬件的每一个未来用户.

下一篇:更有效的政策

现在你已经拥有了 LeRobot 的完整工作流程.

语言

SmolVLA 语言条件的政策

切换从ACT到SmolVLA,当您希望该政策响应自然语言指令 ("挑选蓝块") 或将任务概括时.需要200多个示范和更有结构性的提示格式.参见SmolVLA论文和LeRobot示例.

规模

快速的高速度VLA推断

皮0Fast运行在100Hz推理 (与ACT的30Hz),使得更快的操纵任务和更紧密的控制循环.它需要在推理时的GPU,但在规模上产生了更精明的行为.

总体化

多任务政策

通过使用混合数据集,每个集中的任务_index值不同,训练多任务的单一政策. SmolVLA 和 Pi0Fast 都支持多任务训练.

你完成了勒罗伯特的路径.

你安装了LeRobot,理解了数据集格式,记录了自己的示范,训练了ACT政策,系统地评估它,并运行了数据飞轮.这是完整的开源机器人学习工作流程,

[在论坛上问问题]T8) [分享你的结果在展示]T9)

加入HuggingFace Discord#lerobot** 维护者和社区积极和欢迎.