Act Aloha Sim Transfer Cube Human

🚀 ACT/AlohaTransferCube模型卡片

本模型為動作分塊變換器策略（依據論文Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware），針對gym-aloha中的AlohaTransferCube環境進行訓練。

🚀 快速開始

若要了解如何加載和評估此模型，請參考LeRobot庫（尤其是評估腳本）獲取相關說明。

✨ 主要特性

• 基於動作分塊變換器策略，適用於AlohaTransferCube環境。
• 可通過LeRobot庫方便地進行加載和評估。

📦 安裝指南

此部分文檔未提及安裝步驟，故跳過。

💻 使用示例

此部分文檔未提供代碼示例，故跳過。

📚 詳細文檔

訓練詳情

本模型使用LeRobot@3c0a209進行訓練。 使用LeRobot的訓練腳本和aloha_sim_transfer_cube_human數據集進行訓練，訓練命令如下：

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

訓練曲線可在https://wandb.ai/aliberts/lerobot/runs/720l37xb 查看。當前模型對應80k步的檢查點。 在Nvida A100上訓練此模型大約需要1小時45分鐘。

評估

本模型在gym-aloha的AlohaTransferCube任務上進行評估，並與使用原始ACT倉庫訓練的類似模型進行比較。如果一個機器人手臂成功抓取立方體並將其轉移到另一個機器人手臂，則該回合標記為成功。 以下是500回合評估的成功率結果。“Theirs”列表示在原始ACT倉庫中訓練並在LeRobot上評估的等效模型（模型權重可在本倉庫的original_act_repo分支中找到）。每個單獨回合的結果可在eval_info.json中查看。

評估使用以下命令進行：

python lerobot/scripts/eval.py \
    --policy.path=outputs/train/act_aloha_transfer/checkpoints/080000/pretrained_model \
    --output_dir=outputs/eval/act_aloha_transfer/080000 \
    --env.type=aloha \
    --env.task=AlohaTransferCube-v0 \
    --eval.n_episodes=500 \
    --eval.batch_size=50 \
    --device=cuda \
    --use_amp=false

原始代碼進行了大量重構，在此過程中發現了一些錯誤。代碼差異可能是成功率不同的原因。另一種可能性是我們的模擬環境在評估成功時可能使用了略有不同的啟發式方法（我們觀察到，只要第二個手臂的夾具與立方體形成對向接觸，就會記錄為成功）。最後，應該注意到訓練中的評估在訓練接近尾聲時有所提升，這可能需要進一步研究（這種提升是否具有統計學意義？如果是，原因是什麼？）。

🔧 技術細節

此部分文檔未提供具體的技術實現細節，故跳過。

📄 許可證

本模型採用Apache-2.0許可證。