Өөрийн роботын өгөгдөл дээр Pi0.5-ыг хэрхэн сургах вэ

Pi0.5 нь өмнө нь үзэгдээгүй өрөөнд бодлого хэрэгжүүлэх шаардлагатай үед таны сонгох загвар юм. Энэ нь мөн энд байгаа таван сургах боломжтой бодлогууд-ын хамгийн төвөгтэй нь бөгөөд нарийн тааруулах гараар хийхэд: эх репозитор нь эхлээд JAX, LeRobot порт нь 0.6.0 хувилбарт lerobot-record-оос байршуулалтыг шилжүүлж, суурь суулгалтыг сургахад хэтэрхий жижиг болгосон, мөн бүрэн нарийн тааруулалт нь 4090-д багтахгүй. Доор: урсгалын тааруулалт таамаглалд хэр их зардалтай болох, хоёр командын зам, мөн үр дүн ашиглах боломжтой эсэхийг шийддэг 485 мс тоо.

Pi0.5 үнэндээ юу вэ

Physical Intelligence 2024 оны 10-р сард pi0-г нийтэлсэн: урсгалын тааруулалттай хараа-хэл-үйлдлийн загвар урьдчилан сургасан VLM дээр: 3 тэрбум параметртэй PaliGemma дээр 300M үйлдлийн экспертийг тэгээс эхлүүлсэн, нийт 3.3 тэрбум. Уг баримт бичигт 7 роботын тохиргоо, 68 даалгаврын хүрээнд 10,000 гаруй цагийн роботын өгөгдөл дээр урьдчилан сургасан тухай дурдсан. Дэлгэрэнгүйг pi0 нийтлэлээс.

Pi0.5 (arXiv 2504.16054, 22 April 2025) нь тэрхүү араг ясыг хадгалж, сургалтын хоолны дэглэмийг өөрчилсөн: вэб мэдээлэл, объектын илрүүлэлт, роботыг сургаж буй хүмүүсийн аман заавар, дэд даалгаврын шошго, олон гэрт байгаа роботуудаас авсан бие даасан мэдээлэл. Үр дүн нь сургалтын багцад ороогүй байшингуудад гал тогоо цэвэрлэж буй робот юм. openpi README нь гарчигт байхгүй нэгэн дэлгэрэнгүй мэдээллийг нэмсэн: хувилбарт гарсан pi0.5 нь мэдлэгийн тусгаарлалтаар (arXiv 2505.23705) сургагдсан.

Урсгалын тааруулалт нь сургалт болон дүгнэлтэд юуг өөрчилдөг вэ

SO-100 дээр сургаж болох бодлого нь үйлдлүүдийг шууд регресс хийдэг (ACT) эсвэл токен болгож, авторегрессив байдлаар тайлдаг (pi0-FAST). Урсгалын тааруулалт нь аль алиныг нь хийдэггүй: энэ нь дуу чимээг цэвэр үйлдлийн хэсэг рүү зөөдөг векторын талбарыг сурч, дараа нь нэгтгэдэг. pi0-ийн баримт бичигт 0.1 алхамтай 10 нэгтгэх алхам ашигладаг; LeRobot-ийн pi05 тохиргоо нь ижил num_inference_steps: int = 10-ийг агуулдаг.

• Сургалт: алдагдал нь дуу чимээтэй үйлдлийн хэсгийг регресс хийдэг. Тохируулах токенжуулагч байхгүй, үений өнцгийг дискретчлэх шаардлагагүй.
• Дүгнэлт: нэг хэсэг нь үйлдлийн экспертээр дамжуулан арван урагш дамжуулалт хийх зардалтай. Энэ нь бүтцийн шинж чанартай бөгөөд тохируулах асуудал биш.
• Гаралт: 32 хэмжээст тасралтгүй үйлдлүүд, дотооддоо дүүргэгдсэн, роботын тань хэмжээсүүд дээр алдагдал тооцогддог. 6-DoF гар болон баригч нь 7-г ашигладаг.

# openpi/src/openpi/models/pi0_config.py - the defaults every pi05 config inherits
@dataclasses.dataclass(frozen=True)
class Pi0Config(_model.BaseModelConfig):
    dtype: str = "bfloat16"
    paligemma_variant: _gemma.Variant = "gemma_2b"
    action_expert_variant: _gemma.Variant = "gemma_300m"

    action_dim: int = 32
    action_horizon: int = 50
    max_token_len: int = None      # 200 if pi05 else 48

    pi05: bool = False             # flips discrete_state_input to True

PaliGemma-ийн үндсэн бүтэц, болон түүний урд талын хаалга

PaliGemma (arXiv 2407.07726) нь SigLIP-So400m харааны кодлогч бөгөөд Gemma-2B хэлний загвар дээр суурилсан, ойролцоогоор 3 тэрбум параметр юм. Pi0.5 нь өөрийн токенизаторыг өвлөн авсан бөгөөд энэ токенизатор нь хаалттай репозиторит байрладаг. Эхний ажиллагаа ихэвчлэн эхний сургалтын алхам хийгдэхээс өмнө зогсдог.

Эхлэхээсээ өмнө: өгөгдлийн багцын формат, эпизодууд, техник хангамж

LeRobot дахь Pi0.5 нь LeRobot өгөгдлийн багц v3.0 зохион байгуулалтаар уншдаг бөгөөд энэ нь 2025 оны 10-р сард lerobot 0.4.0-той хамт гарсан: нэг файл тутамд нэг эпизод байхын оронд Parquet болон MP4 файл тутамд олон эпизодтой, мөн файлын нэрийн оронд meta/episodes/ дотор хил хязгаартай байна. ширээний компьютер клиент ашиглан бичлэг хийх эсвэл анхны өгөгдлийн багцаа бичих зааврыг дагаж хийвэл танд бэлэн болно.

# v2.1 -> v3.0, run against a dataset already on the Hub
python -m lerobot.scripts.convert_dataset_v21_to_v30 --repo-id=<HF_USER/DATASET_ID>

# aggregates episode-0000.parquet, episode-0001.parquet, ... -> file-0000.parquet
# aggregates episode-0000.mp4, episode-0001.mp4, ...         -> file-0000.mp4
# rewrites meta/episodes/* with per-episode lengths, tasks and offsets

Платформ нь Pi0.5-д дор хаяж 50 анги шаарддаг бөгөөд энэ нь GR00T болон ACT-тэй ижил хэмжээ юм. Урьдчилсан сургалт нь хүнд ажлыг гүйцэтгэдэг тул 50 цэвэр анги нь 200 хайнга ангиас илүү үр дүнтэй. Үүнд шинээр орж байна уу? Эхлэхдээ өгөгдөл цуглуулах гарын авлагаар.

Зам А: openpi репозитороор нарийн тааруулах

Лавлагаа хэрэгжилт: Эхлээд JAX, зөвхөн Ubuntu 22.04 дээр туршигдсан, флаг ашиглахын оронд конфиг объектоор удирдагддаг. PyTorch зам нь 2025 оны 9-р сард гарч ирсэн бөгөөд LIBERO дээр баталгаажсан. Гурван алхам: өгөгдлөө хөрвүүлэх, конфиг тодорхойлох, сургах, үйлчлэх.

1. 1
   Клондож суулгах

   openpi нь uv-г ашигладаг. GIT_LFS_SKIP_SMUDGE нь LeRobot-г LFS blobгүйгээр хамааралтай болгох боломжийг олгодог.

   bash

   git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git
   cd openpi
   
   GIT_LFS_SKIP_SMUDGE=1 uv sync
   GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .

2. 2
   Өгөгдлөө LeRobot өгөгдлийн санд хөрвүүлэх

   Upstream нь LIBERO болон DROID-д зориулсан хөрвүүлэгчдийг нийлүүлдэг бөгөөд танаас нэгийг нь дасан зохицуулахыг хүлээдэг. Ажил нь түлхүүрийн зураглал юм.

   bash

   uv run examples/libero/convert_libero_data_to_lerobot.py --data_dir /path/to/your/data

3. 3
   Сургалтын конфиг нэмэх

   Конфигууд нь src/openpi/training/config.py доторх TrainConfig бичиглэлүүд юм. Энэ нь pi05_droid_finetune-г дасан зохицуулж, жин ачаалагчийг pi05_base руу чиглүүлсэн байна.

   python

   TrainConfig(
       name="pi05_so100",
       model=pi0_config.Pi0Config(
           pi05=True,
           action_dim=32,        # pi05 is trained with 32-dim actions
           action_horizon=16,
       ),
       # Copy LeRobotLiberoDataConfig in the same file and rewrite the key
       # mapping for your camera names, then reference your copy here.
       data=LeRobotLiberoDataConfig(
           repo_id="your_hf_username/my_so100_dataset",
           base_config=DataConfig(prompt_from_task=True),
       ),
       weight_loader=weight_loaders.CheckpointWeightLoader(
           "gs://openpi-assets/checkpoints/pi05_base/params"
       ),
       batch_size=32,
       num_train_steps=20_000,
   )

4. 4
   Хэвийн статистикийг тооцоолох

   Өгөгдлийн сангийн нэрээр биш, конфигийн нэрээр ажилладаг. Үүнийг алгасах нь эндхийн сонгодог анхны алдаа юм.

   bash

   uv run scripts/compute_norm_stats.py --config-name pi05_so100

5. 5
   Сургах

   Энэ хувьсагч нь JAX-д GPU санах ойн 90 хувийг ашиглах боломжийг олгодог бөгөөд анхдагч 75 хувийн оронд. 80 ГБ карт дээр энэ нь ажиллагаа амжилттай болох эсэхийг шийддэг.

   bash

   XLA_PYTHON_CLIENT_MEM_FRACTION=0.9 uv run scripts/train.py pi05_so100 \
       --exp-name=my_experiment \
       --overwrite

6. 6
   Үйлчлэх

   Сервер нь 8000 порт дээр сонсож, ажиглалтын хүсэлтүүдэд хариулдаг; таны роботын ажиллах орчин нь клиент юм.

   bash

   uv run scripts/serve_policy.py policy:checkpoint \
       --policy.config=pi05_so100 \
       --policy.dir=checkpoints/pi05_so100/my_experiment/20000

Зам Б: lerobot pi05-аар нарийн тааруулах

LeRobot порт нь таны аль хэдийн ашигладаг CLI доторх ижил жингүүдийг ACT болон SmolVLA. Доорх бүх зүйлийг 2026 оны 8-р сарын 3-наас хойш гарсан lerobot 0.6.1 хувилбар болон 2026 оны 8-р сарын 23-ны pi05 баримт бичигтэй тулгаж шалгасан. Энд хувилбарууд чухал: v3.0 өгөгдлийн багцууд 2025 оны 10-р сард 0.4.0-тэй хамт ирсэн, 2026 оны 3-р сарын 9-ний 0.5.0 блог нь pi0-FAST болон Real-Time Chunking-ийг танилцуулсан, мөн 2026 оны 7-р сарын 6-ны 0.6.0 нь үндсэн багцыг хөнгөн болгож, байршуулалтыг lerobot-rollout руу шилжүүлсэн.

Нэг зүйл хөдлөөгүй: lerobot-train болон lerobot-record нь 2025 оны 8-р сард 0.3.2 хувилбарт аль хэдийн нэвтрэх цэгүүд байсан. Одоо ч гэсэн python -m lerobot.scripts.train гэж дууддаг заавар нь нэг жилийн өөрчлөлтөөс өмнөх үеийнх бөгөөд бусад зүйл дээр ч итгэхгүй байх нь зүйтэй.

1. 1
   Зөв нэмэлтүүдээр суулгах

   0.6.0 хувилбараас хойш суурь суулгац нь зөвхөн үндсэн ML хамаарлыг агуулдаг бөгөөд pi нэмэлт нь өгөгдлийн багц эсвэл сургалтын кодыг нэмдэггүй тул нарийн тааруулахын тулд сургалтын нэмэлт хэрэгтэй болно. Хуучин нэг мөрүүд энд импортлох үед алдаа гардаг.

   bash

   # policy dependencies plus the training stack
   pip install 'lerobot[pi,training]'
   
   # from a source checkout
   pip install -e ".[pi,training]"
   
   # driving an SO-100 afterwards needs the robot extras too
   pip install 'lerobot[core_scripts,feetech]'

2. 2
   Нэвтрэх

   Хөтөч дээр paligemma-3b-pt-224 лицензийг хүлээн зөвшөөрөөд, дараа нь сургалт хийх машинд нэвтэрнэ үү.

   bash

   hf auth login

3. 3
   Квантил статистик нэмэх

   Pi0.5 нь STATE болон ACTION-ийг квантил ашиглан хэвийн болгодог тул meta/stats.json-д q01 болон q99 хэрэгтэй. Хуучин өгөгдлийн багцууд зөвхөн min, max, mean, std-ийг агуулдаг.

   bash

   lerobot-edit-dataset \
       --repo_id your_dataset \
       --new_repo_id your_dataset \
       --operation.type recompute_stats \
       --operation.overwrite true

4. 4
   lerobot/pi05_base-аас нарийн тааруулах

   Багцын хэмжээг таны картын тэсвэрлэх хэмжээнд тохируулна уу; баримт бичигт LIBERO дээр 80 ГБ-д 64-ийг ашигладаг. bfloat16-г тодорхой зааж өгнө үү, тохиргооны анхдагч утга нь float32 юм.

   bash

   lerobot-train \
       --dataset.repo_id=${HF_USER}/my_so100_dataset \
       --policy.type=pi05 \
       --policy.pretrained_path=lerobot/pi05_base \
       --policy.gradient_checkpointing=true \
       --policy.dtype=bfloat16 \
       --policy.device=cuda \
       --policy.push_to_hub=false \
       --output_dir=./outputs/pi05_so100 \
       --job_name=pi05_so100 \
       --batch_size=4 \
       --num_workers=8 \
       --steps=30000 \
       --save_freq=5000 \
       --seed=1000

5. 5
   Үүнийг роботын гарт ажиллуулах

   0.6.x хувилбарт энэ нь lerobot-rollout юм: lerobot-record нь бодлогыг хүлээн зөвшөөрдөггүй бөгөөд eval_ өгөгдлийн багцын нэрийг татгалздаг. Base нь гарыг удирддаг, sentry нь rollout-ийг бичдэг.

   bash

   lerobot-rollout \
       --strategy.type=base \
       --policy.path=${HF_USER}/my_policy \
       --robot.type=so100_follower \
       --robot.port=/dev/ttyACM1 \
       --robot.cameras="{ up: {type: opencv, index_or_path: /dev/video10, width: 640, height: 480, fps: 30}}" \
       --task="Put lego brick into the transparent box" \
       --duration=60
   
   # same run, recorded into an eval_ dataset
   lerobot-rollout \
       --strategy.type=sentry \
       --policy.path=${HF_USER}/my_policy \
       --robot.type=so100_follower \
       --robot.port=/dev/ttyACM1 \
       --dataset.repo_id=${HF_USER}/eval_so100 \
       --dataset.single_task="Put lego brick into the transparent box" \
       --duration=600

Гурван төрлийн анхдагч утгууд, болон тэдгээрийн аль нь сургагчид хүрдэг

openpi-ийн TrainConfig нь лавлагаа, LeRobot-ийн PI05Config нь та юу ч хэлэхгүй үед lerobot-train-ийн ашигладаг зүйл бөгөөд энд байгаа маягт нь гурав дахь багцыг илгээдэг. Гэнэтийн зүйл бол суралцах хурд юм: хоёулаа эхний тохиргоо нь 2.5e-5-д хүрч байхад, openpi-ийн өөрийн pi05_libero тохиргоо болон энэ платформ нь үүнийг 5e-5 болгож нэмэгдүүлдэг.

Порт нь үнэнч үү? LeRobot баг LIBERO суурь загварыг нэмэлт 6 мянган алхам сургаж, openpi-ийн лавлагаа тоотой дөрвөн багц дээр харьцуулсан: 96.85-тай харьцуулахад дунджаар 97.5 хувь, Libero 10 дээр илүү, Spatial дээр хоцорсон. Энэ зам нь чанарын сонголт биш, харин хэрэгслийн сонголт юм.

485 мс-ийн бодит байдал ба түүнийг ашиглах боломжгүй болох цэг

Энэ нь таны төслийг шийддэг тул зардлын хүснэгтээс өмнө ирдэг. нь Pi0.5-д зориулж энд хэмжсэн үйлдлийн алхам тутамд 485 мс байна. Бусад дөрөвтэй харьцуулахад:

Дээд урсгал нь хариулттай бөгөөд түүний тал хувь нь таны суулгах боломжтой хувилбарт аль хэдийн багтсан байна. Бодит цагийн хэсэгчилэл нь гар одоогийн хэсгийг гүйцэтгэж байхад дараагийн хэсгийг үүсгэж, дараа нь шинэ хэсгийн давхцаж буй алхмуудыг аль хэдийн гүйцэтгэсэн хэсэгт ойр байлгахаар чиглүүлдэг тул гар нь залгаасан дээр гацах эсвэл огцом хөдлөхгүй. Дүгнэлт хийх үеийн хэлбэр нь 0.4.2 хувилбарын өөрчлөлтийн бүртгэлд Pi0, Pi0.5 болон SmolVLA-д зориулагдан багтсан бөгөөд энэ нь дахин сургах биш, харин нэвтрүүлэх туг юм:

lerobot-rollout \
    --strategy.type=base \
    --policy.path=${HF_USER}/my_policy \
    --inference.type=rtc \
    --inference.rtc.execution_horizon=10 \
    --inference.rtc.max_guidance_weight=10.0 \
    --robot.type=so100_follower \
    --robot.port=/dev/ttyACM1 \
    --robot.cameras="{ up: {type: opencv, index_or_path: /dev/video10, width: 640, height: 480, fps: 30}}" \
    --task="Put lego brick into the transparent box" \
    --duration=60

Энэ нь загварыг хурдасгахгүй. Энэ нь зайг нуудаг: 485 мс хэвээр зарцуулагддаг боловч чухал замаас гадуур байдаг тул дараалал нь хэсгүүдийн хооронд хоосордоггүй. arXiv 2512.05964-ээс авсан сургалтын үеийн хувилбар нь илүү гүнзгийрүүлсэн: загвар нь цэвэр үйлдлийн угтварт нөхцөл байдлыг сурдаг тул дүгнэлт хийх үед давхцал нь чиглүүлэгдсэн байдлаар биш, харин үйлдлийн урсгалын цагийн алхамуудаар хатуу будсан байдаг бөгөөд чиглүүлгийн урвуу дамжуулалт алга болдог. Сургалтын үед энэ нь жишээ тутамд угтварын уртыг түүвэрлэж, үлдсэн дагаврын урсгалын алдагдлыг авдаг. Тэр туг нь зөвхөн үндсэн хувилбарт байдаг, 0.6.1-д байхгүй бөгөөд таны сургах хугацааны саатал нь chunk_size-аас доош байх ёстой.

Pi0.5 чекпойнт авах хоёр арга

lerobot-train \
    --dataset.repo_id=${HF_USER}/my_so100_dataset \
    --policy.type=pi05 \
    --policy.pretrained_path=lerobot/pi05_base \
    --policy.rtc_training_max_delay=10 \
    --policy.gradient_checkpointing=true \
    --policy.dtype=bfloat16 \
    --batch_size=4 --steps=30000 --seed=1000

Ажиллахгүй үед

• Өгөгдлийн багц татгалзсан: v3 шаардлагатай
• Сургалтын явцад санах ой дууссан
• Алдагдал буурсан ч бодлого юу ч хийхгүй байна
• Бодлого хөдөлгөөний дунд хөлдсөн
• Бодлого зөвхөн нэг тохиргоонд ажилладаг
• Сургалтын ажил дараалалд гацсан

Нэг ажиллагаа хэр үнэтэй вэ

Pi0.5 нь 80 ГБ карт шаарддаг тул үнэтэй түвшинд багтдаг бөгөөд спот үнэ хэлбэлздэг тул энэ нь үнэ биш харин үнийн хүрээ юм. Олон SO-100 даалгаврын хувьд эхлээд SmolVLA эсвэл ACT-г 24 ГБ түвшинд сургаж, даалгаврыг ер нь сурах боломжтой эсэхийг баталгаажуулсны дараа A100 цагийг зарцуулна. Анхны бодлогоо сургах нь хямд давталтыг тайлбарлаж, үнэ нь одоогийн түвшинг харуулдаг.

Оройг зориулахаасаа өмнө: болон нь ижил тоонуудыг нэг нэгэнтэй нь харьцуулж харуулдаг. нь 85 VLA загварыг 332 бенчмарк үр дүнтэйгээр агуулдаг бөгөөд тус бүр нь эх сурвалжтайгаа холбогдсон байдаг. Уг гэр бүлийн талаарх мэдээллийг -оос үзнэ үү.