Act Aloha Sim Insertion Human

🚀 ACT/AlohaInsertion模型卡片

ACT/AlohaInsertion是基於Transformer架構的動作分塊策略模型，用於解決機器人操作任務。該模型在 AlohaInsertion 環境中進行訓練，能夠有效完成特定的機器人操作任務，為機器人領域的研究和應用提供了有力支持。

🚀 快速開始

若要開始使用該模型，請參考 LeRobot庫（特別是 評估腳本），其中包含了如何加載和評估此模型的詳細說明。

✨ 主要特性

• 先進架構：採用Action Chunking Transformer Policy（ACT）架構，基於論文 Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware 設計，適用於複雜的機器人操作任務。
• 特定環境訓練：針對 gym-aloha 中的 AlohaInsertion 環境進行訓練，具有良好的適應性和性能。

📦 安裝指南

本部分未提及具體安裝步驟，若有需要可參考相關依賴庫的安裝說明。

💻 使用示例

本部分未提供代碼示例。

📚 詳細文檔

訓練詳情

• 訓練工具：使用 LeRobot@3c0a209 進行訓練。
• 訓練腳本：通過 LeRobot的訓練腳本 進行模型訓練。
• 訓練數據集：使用 aloha_sim_insertion_human 數據集。
• 訓練命令：

python lerobot/scripts/train.py \
    --output_dir=outputs/train/act_aloha_insertion \
    --policy.type=act \
    --dataset.repo_id=lerobot/aloha_sim_insertion_human \
    --env.type=aloha \
    --env.task=AlohaInsertion-v0 \
    --wandb.enable=true

• 訓練曲線：可在 https://wandb.ai/aliberts/lerobot/runs/qxcub3cg 查看訓練曲線。
• 當前模型：對應100k步的檢查點。
• 訓練時長：在Nvida A100上訓練約1小時50分鐘。

評估

• 評估任務：在 gym-aloha 的 AlohaInsertion 任務上對模型進行評估，並與使用原始 ACT倉庫 訓練的類似模型進行比較。
• 成功標準：每一集的成功標準為一個機器人手臂成功抓取 peg 並插入另一個機器人手臂握住的 socket 中。
• 評估結果： | 指標 | 本模型 | 原論文 | | ---- | ---- | ---- | | 500集的成功率 (%) | 20.6 | 20 |

評估結果的詳細信息可在 eval_info.json 中查看。

• 評估命令：

python lerobot/scripts/eval.py \
    --policy.path=outputs/train/act_aloha_insertion/checkpoints/last/pretrained_model \
    --output_dir=outputs/eval/act_aloha_insertion/last \
    --env.type=aloha \
    --env.task=AlohaInsertion-v0 \
    --eval.n_episodes=500 \
    --eval.batch_size=50 \
    --device=cuda \
    --use_amp=false

• 差異分析：原始代碼經過大量重構，過程中發現了一些 bug，代碼差異可能導致成功率不同。另外，模擬環境評估成功的啟發式方法可能略有不同（觀察到第二個手臂的夾具與立方體形成對極接觸時即記錄為成功）。最後，訓練中的評估在訓練接近結束時有所提升，這可能需要進一步研究（是否具有統計學意義？如果是，原因是什麼？）。

📄 許可證

本項目採用Apache-2.0許可證。