记录你的第一份数据集

6个单位中的4个 ·数据收集 · ~ 2 小时

收集50个高质量的选用和场地演示 LeRobot 格式. 质量超过数量 50个清洁演示每次都超过200个不一致的演示.

为什么数据质量比数量更重要

机器人学习中普遍存在的误解是,更多的示范自动产生更好的政策.这是错误的.神经网络学会模仿数据集中的行为分布. 如果你的演示不一致 不同的路径,不同的速度,不同的物体位置 网络学习了一个模糊的平均水平,

50次示范,手臂走着相同的清洁路径,抓住物体在同一位置,然后返回相同的位置将产生一个政策,将更好地概括500次示范,具有高差异性.第一次收集会是您建立一致性的机会. 花时间.删除和重新录制任何感觉错误的示范.

阅读机器人图书馆中的[数据收集管道概述]T7.

勒罗бот数据集格式

您的录音将保存在LeRobot格式 ,这是Hugging Face的LeRobot图书馆使用的标准,并且与您将在5个单元使用的ACT和传播政策培训器兼容.

记录的内容

联合位置 (6 DOF + 抓住器),联合速度,终端效应器姿势,摄像头框架 (RGB + 选择深度),时间盖章和任务元数据.

文件结构

每集都有一个T0,有状态/行动阵列,以及一个T1子文件,有摄像头流.

采样率

默认50Hz.每秒的远程操作产生50个时间步骤.10秒的选择和位置产生500个 (状态,行动) 双.

互动性

雷罗бот格式直接加载到T2.它也可转换为TF-Agents管道的RLDS.

你的录音会

启动记录脚本,使用任务名称和目标集数.脚本自动处理集管理,文件命名和质量标记:

启动录音 保存到~/openarm-data-sets/pick-and-place/python -m openarm.collect \ --task pick-and-place \ --task pick-and-place \ --episodes 50 \ --fps 50 \ --output ~/openarm-data-sets/pick-and-place # 按 ENTER开始新集,BACKSPACE丢弃最后一个

设置您的工作空间,每个集都以相同的起始位置.使用桌上带标记保持对象位置一致.您的手臂在每个集开始之前应该返回相同的首页姿势.

实用提示: 设定每集815秒之间的集.太短 (5秒以下) ,政策没有时间规划顺利的轨迹.太长 (20多秒以上) 和小变化组合.对于标准的选择和地点,每集的10秒是目标.

数据质量检查清单

在进入第5个单元之前,请验证数据集通过了所有五项检查.

• 1 没有失败的抓住.* 每个集都以成功地放置对象在目标位置结束.手臂错过抓住或放下对象的集必须被删除它们教导模型失败.
• 2 一致的开始姿势. 臂在每个集中从定位位置开始. 在数据集观看器中检查,在0时间步骤的关节角在所有50集中都在 ±2°之间.
• 3 ** 没有突然跳跃或跳.** T3的35个随机集. 行动序列应该是平稳的连续曲线,而不是尖.
• 4 摄像头框架是清晰的,集中着重. 检查您的工作场所的摄像头是否不被遮蔽,没有被直接光吹出来,并且对象在每个集中都能清楚地看到.模糊或黑暗的视频会降低政策性能.
• 5 50个完整的集节保存了. 运行T4,并确认您拥有完全没有损坏的文件的50个集节.脚本将标记任何缺失框架或缩短的行动序列的集节.

浏览参考数据集进行比较

库包含您可以作为质量参考的选用和位置录音.如果您的数据看起来显著不同,请在训练之前进行调查. 开放RCSV数据集 →

第四单元完成时...

T6 运行显示50集,没有错误.你准备好将这个数据集交给5个单元的训练管道.

[← 回到路径概述]