返回Paxini Gen3 Path
开始之前:你需要什么
导向Paxini Gen3学习路径. 触觉感觉将什么添加到机器人学习,硬件和软件检查清单,
五个单位0 · 方向 · ~30分钟
查看每个检查列表,了解触觉感觉对机器人学习所带来的影响,
**为什么这个单元存在:**触觉传感将新数据模式添加到机器人管道中,这意味着新的故障模式
触觉感觉对机器人学习的增添
大多数机器人学习数据集包含三个方法:关联位置 (自觉),摄像头图像 (视觉),有时手腕力/扭矩.这些都不告诉该政策 _是否抓住器对当前对象具有稳定的把握.
触觉传感器填补了这一空白.一个手指尖安装的传感器测量了抓住器表面的接触压力分布
具体的改进 在接触丰富的操纵基准 (可变形物体,可变重量物体,透明容器) 中,使用Gen3数据训练的触觉意识政策在抓稳度指标上始终超过仅视力基线15~40% 对于视觉把握质量估计是模糊的物体,改善最大.
硬件检查列表
在开始1号单位之前,请检查你掌握下面的每件物品.
- Paxini Gen3传感器模块
指尖,指 或手掌变体,取决于您的抓住器. - **USB-C电缆 (包含在盒子中) **
短0.5米的电缆,与传感器一起运输. - ** 按时指定您的抓住器,将
置器安装在盒子中. 对于定制的抓住器,使用粘贴装置和M2螺丝 (含).在加载之前,允许粘贴器在30分钟内愈合. - Python SDK的机器人臂
任何兼容的臂 (OpenArm,Franka,UR系列或类似).您需要一个工作的Python接口,可返回时间 标的联合位置.第3单元涵盖集成的具体情况. - **手腕部装摄像头 (用于4+单元) **
任何USB或GigeE摄像头.30fps最小.已经连接到你的手臂设置是很好的.
软件检查列表
在1号单位前确认这些物品.
- Python 3.10或更高
运行 T0 . Paxini SDK 需要 3.10+. - 创建一个新的虚拟环境,为此路径:
- ~5GB的空格磁盘空间
用于SDK,数据集录音和模型检查站. 50个模拟触摸数据集约为1.5GB. - 您的机器人臂SDK安装和运行
确认您可以在3个单元之前从Python读取关联位置. - **GPU (为5个单元) **
一个8GB+VRAM的NVIDIA GPU可以从3小时降低到45分钟.CPU上的训练工作,但速度很慢.云GPU选项在5个单元中涵盖.
时间估计
| Unit | What You Do | Time |
|---|---|---|
| 0 | This orientation | ~30 min |
| 1 | SDK install, first reading, heatmap verify | ~1 h |
| 2 | Data structure, calibration, grasp detection | ~1.5 h |
| 3 | Mount sensor, sync with arm, verify timestamps | ~2 h |
| 4 | Record 50 demo dataset with tactile | ~2 h |
| 5 | Train tactile policy, evaluate vs baseline | ~1.5 h |
| Total | ~8 h 30 min |
单元1
如何得到帮助
- 查看您所在的单位底部的完成检查,它确切说明您应该看到什么,当一切都在运行.
- 阅读 [软件指南]**T5
) 中解决问题部分,它涵盖了前3个问题,并提供了精确的解决方案. - 在 论坛问题线程 中发布,并将操作系统,SDK版本 (
T3 ) 和全部错误输出输出.
导向完成时...
您已检查了两份检查列表中的每件物品,您手中有 Paxini Gen3 传感器,并已为单位1 预定至少一个连续的小时.
[← 回到路径概述]