රොබෝ ප්‍රතිපත්ති සඳහා කෘත්‍රිම දත්ත: අනුකරණය උපකාරී වන තැන

සෑම මාස කිහිපයකට වරක්ම යමෙක් තේරුම් ගන්නේ පනහක් පටිගත කිරීම කථාංග අතින් කිරීම මන්දගාමී බවත්, ඒ වෙනුවට සිමියුලේටරයකට ඒවා නිපදවිය හැකිදැයි අසන බවත්ය. එය සාධාරණ ප්‍රශ්නයකි. අවංක පිළිතුරට කොටස් තුනක් ඇත: ජනනය කරන ලද දත්ත උපකාරී වේ, එය සැබෑ පටිගත කිරීම් ප්‍රතිස්ථාපනය නොකරයි, එම කරුණු දෙක අතර අනුපාතය ඔබ අදහස් කරන කෘතිම දත්ත වර්ගය මත සම්පූර්ණයෙන්ම රඳා පවතී.

මෙම පිටුවෙන් ප්‍රකාශිත කාර්යයන් ඇත්ත වශයෙන්ම මැන බැලූ දේ, ඔබට අද අඩු වියදම් අතක් මත ධාවනය කළ හැකි දේ, SO-100 සහ සිම්-ටු-රියල් පරතරය වාසි අනුභව කරන ආකාරය විස්තර කරයි. විස්තරයට පෙර කෙටි අනුවාදය: විශාලතම ගුණක වාර්තා කරන පද්ධති සැබෑ මානව නිරූපණ කුඩා කට්ටලයක් ගුණ කරයි. ඒවායේ අවශ්‍යතාවය ඉවත් නොකරයි.

කෘතිම දත්ත ලෙස හැඳින්වෙන විවිධ දේවල් හතරක්

සංඛ්‍යා සංසන්දනය කිරීමට පෙර, පවුල් වෙන් කිරීම වටී, මන්ද 100x ගුණකයක් වාර්තා කරන පත්‍රිකාවක් සහ 5-ලක්ෂ්‍ය සාර්ථකත්වයක් වාර්තා කරන පත්‍රිකාවක් බොහෝ විට එකම පයිප්ලය විවිධ අන්තවලින් විස්තර කරයි. පොදු කරුණ නම් LeRobot දත්ත කට්ටලය යන්ත්‍රයක් මගින් නිපදවා ඇති අතර භෞතික අතකින් පටිගත කර නොමැති වීමයි. වෙනස් වන්නේ කුමන කොටසද යන්නයි.

මෙම ලිපිය අදහස් කරන අර්ථයෙන් කෘතිම දත්ත වන්නේ පළමු තුන පමණි. හතරවැන්න සඳහන් කිරීම වටී, මන්ද එය එකම සංවාදයට ඇතුළත් වන අතර ලැයිස්තුවේ ඇති ලාභම දෙය එයයි. ඔබේ පුහුණුකරු සමඟ එන වර්ධනයන් ඔබ තවමත් සක්‍රිය කර නොමැති නම්, සිමියුලේටරයක් ​​ස්ථාපනය කිරීමට පෙර එය කරන්න.

ප්‍රකාශිත සංඛ්‍යා ඇත්ත වශයෙන්ම පවසන්නේ කුමක්ද

මෙහි දැක්වෙන්නේ සාක්ෂි පදනමයි, සංඛ්‍යා ප්‍රවෘත්ති නිවේදන සාරාංශ කරනවාට වඩා මූලාශ්‍රවල සඳහන් වන ආකාරයටම ඉදිරිපත් කර ඇත. පහත සෑම පේළියක්ම 2026 අගෝස්තු 23 දින කියවන ලද පත්‍රිකාවකින් හෝ ව්‍යාපෘති පිටුවකින් ලබාගෙන ඇත.

සෑම අවංක ඇබ්ලේෂන් එකකම රටාව එක හා සමානයි. කෘත්‍රිම දත්ත අඩු වියදමකින් ආවරණය පුළුල් කරයි. එය ඔබගේ ග්‍රිපරය, සර්වෝ සැග්, ආලෝකය හෝ මේසයේ උස පිළිබඳ තොරතුරු නිර්මාණය නොකරයි, ඒවා සැබෑ නිරූපණවල කොතැනක හෝ නොතිබුණි නම්. ඔබගේ ප්‍රතිපත්තිය අසාර්ථක වන්නේ අන්ත-ක්‍රියාකාරකය තත්පර භාගයක් ප්‍රමාද වී වැසෙන්නේ නම්, අනුකරණය කරන ලද විචලනයකින් එය නිවැරදි කළ නොහැක. එය ග්‍රිපර් කාල නියම කිරීමේ ගැටලුවක් සැබෑ පටිගත කිරීම් වල ඇති ගැටලුවකි.

සාමාන්‍ය උපදෙස් වලට පටහැනි බැවින්, MimicGen සොයාගැනීමක් ඔබගේම පටිගත කිරීම් සැසි සඳහා වැදගත් වේ. මෙම ව්‍යාපෘතිය Square D2 මත දත්ත කට්ටල දෙකක් ජනනය කරන ලදී, එකක් උසස් තත්ත්වයේ මානව ක්‍රියාකරුවෙකුගෙන් ලබාගත් නිරූපණ 10කින් සහ අනෙක අඩු ගුණාත්මක ක්‍රියාකරුවෙකුගෙන් ලබාගත් නිරූපණ 10කින් සමන්විත විය, මේ දෙකම robomimic බහු-මානව Square දත්ත කට්ටලයෙන් ලබාගෙන ඇත. එක් එක් මත පුහුණු කරන ලද ප්‍රතිපත්ති සැසඳිය හැකි ප්‍රතිඵල ලබා ගත් අතර, කතුවරුන් එය විශාල පරිමාණයේ දත්ත පාලන තන්ත්‍රය තුළ දත්තවල ගුණාත්මකභාවය එතරම් වැදගත් නොවන බවට ලකුණක් ලෙස අර්ථකථනය කළහ. ප්‍රවේශමෙන් කියවන්න, එය දස seed නිරූපණ පිළිබඳ ප්‍රකාශයකි, ඔබගේ සැබෑ කථාංග පනහ ගැන නොවේ. එයින් අදහස් කරන්නේ තරමක් අවුල් සහගත seed කට්ටලයක් ඔබ සහ භාවිත කළ හැකි ජනනය කරන ලද දත්ත කට්ටලයක් අතර ඇති බාධාව නොවන බවයි. එයින් අදහස් කරන්නේ ඔබ සම-පුහුණු කරන සැබෑ කථාංග අවුල් සහගත විය හැකි බව නොවේ, මන්ද සිමියුලේටරය සතුව නොමැති තොරතුරු රැගෙන යන්නේ ඒවාය.

සිම්-ටු-රියල් පරතරය, ප්‍රායෝගිකව

මෙම පරතරය සාමාන්‍යයෙන් තනි ප්‍රමාණයක් ලෙස සාකච්ඡා කෙරේ, එය ප්‍රයෝජනවත් නොවේ. එය අවම වශයෙන් වෙනම නොගැලපීම් පහක් වන අතර, Franka එකක ඇති ප්‍රමාණයට වඩා 110 සිට 150 EUR දක්වා වූ hobby arm එකක ඒවාට විවිධ ප්‍රමාණ ඇත.

• සම්බන්ධතා සහ ඝර්ෂණය. එකම දෘඪාංග සහ එකම Isaac Sim සහ PhysX අනුවාදය ලබා දී ඇති විට, අනුකරණය ප්‍රතිනිෂ්පාදනය කළ හැකි බව Isaac Lab පැහැදිලිවම ප්‍රකාශ කරයි. නමුත් floating point නිරවද්‍යතාවය සහ rounding දෝෂ හේතුවෙන් විවිධ දෘඪාංග වින්‍යාසයන් හරහා ප්‍රතිඵල වෙනස් වන බවත්, රෙදි හෝ මෘදු ශරීර වැනි දෘඪ නොවන ශරීර සහිත කිසිදු දර්ශනයක් සඳහා PhysX නිර්ණය කිරීම සහතික නොකරන බවත්ය.
• ක්‍රියාකාරීත්වය. 7.4 V ධාවනය වන Feetech STS3215 bus servo එකක් බර යටතේ එල්ලා වැටේ, backlash ඇත, සහ රත් වන විට හැසිරීම වෙනස් කරයි. SO-101 සඳහා වන MJCF ආකෘතිය, ඔබේ arm එක මත ඒවා හඳුනා ගැනීම වෙනුවට, අදාළ නොවන ව්‍යාපෘතියකින් එහි මෝටර් පරාමිතීන් ණයට ගනී.
• නිරූපණය. කැමරා ශබ්දය, rolling shutter, auto-exposure, සහ ඔබේ මේසයේ නිශ්චිත වර්ණය render එකෙහි නොමැත. මෙය Cosmos-Transfer1 වසා දැමීමට ගොඩනගන ලද පරතරයෙන් අඩකි: එහි robotics augmentation workflow එක, එක් robotics synthetic උදාහරණයක් segmentation, depth හෝ edge conditioning වලින් බහු යථාර්ථවාදී උදාහරණ වලට සිතියම්ගත කරයි.
• කාලය. simulator එකක් ස්ථාවර වේගයකින් පියවර ගනී. සැබෑ පාලන ලූපයක් එසේ නොකරයි, තවද ඔබ තෝරාගත් ආකෘතිය අනුව එක් ක්‍රියාකාරී පියවරක් සඳහා 20 සිට 485 ms දක්වා වැය වේ. බලන්න අනුමාන ප්‍රමාදය.
• වස්තු සංඛ්‍යාලේඛන. අනුකරණය කරන ලද දර්ශන යමෙකු ලියා තැබූ ව්‍යාප්තියකින් නියැදි කර ඇත. ඔබේ මුළුතැන්ගෙයි මේසය එසේ නොවේ.

අනුකරණය කරන ලද SO-100 එකක් ඔබේ arm එක ගැන සැබවින්ම දන්නේ කුමක්ද

ඉහත සඳහන් දේ ඔබේ සති අන්තයට වටිනවාද යන්න තීරණය කරන කොටස මෙය වන අතර, පළමු පුදුමය නම් SO-100 සහ SO-101 සමානව සේවය නොලැබීමයි. TheRobotStudio's SO-ARM100 repository එක එහි simulation assets තබා ගන්නේ Simulation/. SO100 folder එකෙහි තනි URDF file එකක් පමණක් අඩංගු වේ. SO101 folder එකෙහි URDF සහ MuJoCo files දෙකම අඩංගු වේ: scene.xml, so101_new_calib.xml, so101_old_calib.xml, අනුරූප URDFs සහ joints_properties.xml. ඔබට kinematic chain එකක් වෙනුවට physics model එකක් අවශ්‍ය නම්, ඔබට SO-101 files අවශ්‍ය වේ.

ඒවා Onshape හි නිර්මාණය කරන ලද CAD ආකෘතියකින් onshape-to-robot ප්ලගිනය භාවිතයෙන් ජනනය කරන ලදී, එයින් අදහස් කරන්නේ චාලක විද්‍යාව සහ දෘශ්‍ය දැල් CAD තරම්ම හොඳ බවයි. ගතිකත්වය වෙනස් කතාවකි, සහ ගබඩාවේ README තුන් කරුණක් ගැන අවංකව සඳහන් කරයි. අනුකරණය සහ සැලසුම් කිරීමේදී ගැටළු සහගත ගැටුම් හැසිරීම් හේතුවෙන් පාදක ගැටුම් දැල් ඉවත් කරන ලදී. STS3215 මෝටර් ගුණාංග Open Duck Mini ව්‍යාපෘතියෙන් අනුවර්තනය කර ඇත මිස SO-101 මත මනිනු ලැබුවේ නැත. තවද, 0 සම්පූර්ණයෙන්ම වසා ඇති අතර 100 සම්පූර්ණයෙන්ම විවෘත වන LeRobot ග්‍රිපර් සම්මුතිය, URDF සහ MuJoCo ගොනු වල තවමත් පැහැදිලිව පිළිබිඹු වී නොමැත. ඒ සෑම එකක්ම, එම ආකෘතියෙන් පමණක් පුහුණු කරන ලද ප්‍රතිපත්තියක් ඔබේ මේසය මත වෙනස් ලෙස හැසිරෙන ස්ථානයකි.

ඩොමේන් අහඹුකරණය, සහ එය නිවැරදි නොකරන දේ

මෙම පරතරයට සම්මත පිළිතුර වන්නේ යථාර්ථයට ගැලපීමට උත්සාහ කිරීම නවතා, ඒ වෙනුවට යථාර්ථය එයට ඇතුළත් වන තරම් පුළුල් ව්‍යාප්තියක් හරහා පුහුණු කිරීමයි. ටොබින් සහ සගයන් 2017 දී මෙහි ප්‍රබල අනුවාදය පෙන්වා දුන්නේය: යථාර්ථවාදී නොවන අහඹු වයනය සහිත අනුකරණය කරන ලද රූප මත පමණක් පුහුණු කරන ලද වස්තු අනාවරකයක්, සැබෑ රූප මත කිසිදු පූර්ව පුහුණුවක් නොමැතිව, සැබෑ වස්තූන් 1.5 cm නිරවද්‍යතාවයකින් ස්ථානගත කළ අතර අවධානය වෙනතකට යොමු කරන්නන්ට සහ අර්ධ බාධාවන්ට ඔරොත්තු දෙන ලෙස පැවතුණි.

Isaac Lab මඟින් ඔබ පරිසර වින්‍යාසයකට අමුණන සිදුවීම් පදවලට සමාන අදහසක් ඉදිරිපත් කරයි. මේවා, ඒවායේ සත්‍ය ක්‍රියාකාරී නම් අනුව, isaaclab.envs.mdp හි පාලක වේ, එබැවින් ඔබට අනුමාන කරනවාට වඩා ඒවා කියවා දැනගත හැක.

මෙන්න සීමාව, මෙය මිනිසුන් වරදවා වටහා ගන්නා දෙයකි. අහඹුකරණය මඟින් ඔබ ගොඩනඟන ලද ආකෘතිය තුළ ප්‍රතිපත්තිය දැක ඇති ව්‍යාප්තිය පුළුල් කරයි. සිමියුලේටරය නිරූපණය නොකරන භෞතික බලපෑමක් එයට හඳුන්වා දිය නොහැක. PhysX ඔබේ STS3215 සර්වෝ වල පසුබෑම සහ තාප පහත වැටීම ආකෘතිකරණය නොකරන්නේ නම්, ඒවායේ තද බව අහඹුකරණය කිරීමෙන් ප්‍රතිපත්තියට පසුබෑම ගැන කිසිවක් උගන්වන්නේ නැත. සිම්-පුහුණු ප්‍රතිපත්තියක් යටතේ අතක් , යනු අහඹුකරණ-අයවැය ගැටලුවක් නොවේ. එය ආකෘතිකරණ ගැටලුවකි.

අතින් මාර්ගය: Isaac Lab හි දත්ත ජනනය කිරීම

Isaac Gym යනු පැරණි මෘදුකාංගයකි. NVIDIA හිම පිටුවේ "Isaac Gym - දැන් අත්හිටුවා ඇත" යනුවෙන් සඳහන් වන අතර, සංවර්ධකයින්ට එය බාගත කර දිගටම භාවිතා කළ හැකි නමුත් එය තවදුරටත් සහාය නොදක්වන බවත්, ඒ වෙනුවට Isaac Lab වෙත යොමු කරන බවත් පවසයි. ඔබට ඉතිහාසය දැන ගැනීමට අවශ්‍ය නම්, අපි දෙකම ආවරණය කළෙමු: Isaac Gym සහ GPU-ස්වදේශීය භෞතික විද්‍යාව සහ Isaac Lab. 2026 දී නව වැඩ සඳහා, Isaac Lab වෙතින් ආරම්භ කරන්න.

1. 1
   Isaac Sim සහ Isaac Lab ස්ථාපනය කරන්න

   pip ස්ථාපන පිටුවේ සඳහන් වන්නේ මෙම උපදෙස් Isaac Sim 5.X සඳහා වන අතර, එයට Python 3.11 අවශ්‍ය බවයි. මූලාශ්‍ර ක්ලෝනය මඟින් ඊළඟ පියවර සඳහා අවශ්‍ය ස්ක්‍රිප්ට් ඔබට ලබා දේ.

   bash

   pip install "isaacsim[all,extscache]==5.1.0" \
       --extra-index-url https://pypi.nvidia.com
   
   git clone https://github.com/isaac-sim/IsaacLab.git --branch main
   cd IsaacLab
   sudo apt install cmake build-essential
   ./isaaclab.sh --install
   
   # smoke test
   ./isaaclab.sh -p scripts/tutorials/00_sim/create_empty.py

2. 2
   මිනිස් නිරූපණ දහයක් පමණ පටිගත කරන්න

   Isaac Lab ලේඛනගත කිරීම නිශ්චිතය: පහත පියවර සාර්ථක වීමට සාර්ථක නිරූපණ 10ක් පමණ අවශ්‍ය වේ. එහි ඉඟි ද ඒ හා සමානව නිශ්චිතය. නිරූපණ කෙටිව තබා ගන්න, අත්තනෝමතික අක්ෂ ඔස්සේ ගමන් කරනවා වෙනුවට සෘජු මාර්ගයක් ගන්න, සහ විරාම නොකරන්න, මන්ද ප්‍රතිපත්තියකට විරාම කළ යුත්තේ ඇයිද සහ කවදාද යන්න පැහැදිලි නොවන බැවිනි.

   bash

   ./isaaclab.sh -p scripts/tools/record_demos.py \
       --task Isaac-Stack-Cube-Franka-IK-Rel-v0 \
       --device cpu \
       --teleop_device spacemouse \
       --dataset_file ./datasets/dataset.hdf5 \
       --num_demos 10

3. 3
   උපකාර්ය සීමා සටහන් කරන්න

   Mimic ආදාන නිරූපණ උපකාර්යයන්ට බෙදයි, එවිට එයට කොටස් නැවත කාලය හා නැවත ඉලක්ක කළ හැක. --auto ධජය ස්වයංක්‍රීය සටහන් කිරීම නිර්වචනය කරන කාර්යයන් සඳහා මිනිස් මැදිහත්වීමකින් තොරව මෙය සිදු කරයි; එය නොමැතිව ඔබ B සමඟ විරාම කරයි, N සමඟ ඉදිරියට යයි සහ S සමඟ සීමාවක් සලකුණු කරයි. කාර්ය හැඳුනුම්පතට -Mimic උපසර්ගයක් ලැබෙන බව සලකන්න.

   bash

   ./isaaclab.sh -p scripts/imitation_learning/isaaclab_mimic/annotate_demos.py \
       --device cpu \
       --task Isaac-Stack-Cube-Franka-IK-Rel-Mimic-v0 \
       --auto \
       --input_file ./datasets/dataset.hdf5 \
       --output_file ./datasets/annotated_dataset.hdf5

4. 4
   ගුණ කළ දත්ත කට්ටලය ජනනය කරන්න

   මෙය 10 1000 බවට පත් කරන පියවරයි. Mimic එක් එක් අපේක්ෂකයාට බූලියන් සාර්ථකත්ව නිර්ණායකයක් යොදන අතර කාර්යය සම්පූර්ණ කළ ඒවා පමණක් තබා ගනී, එබැවින් ප්‍රතිදාන ගණන අත්හදා බැලීම් ගණනට වඩා අඩුය. ලේඛනවලට අනුව, සරල අවස්ථාවන්හිදී අපේක්ෂක සාර්ථකත්ව අනුපාතය සියයට 70ක් තරම් ඉහළ වන අතර, දුෂ්කර කාර්යයන් සහ සංකීර්ණ රොබෝවරුන් සඳහා සියයට 1ට වඩා අඩුය: Franka cube stack සඳහා සියයට 50ක් පමණ, සහ GR1T2 pick and place සඳහා සියයට 65 සිට 80 දක්වා, එහිදී නිරූපණ 1000ක් සඳහා මිනිත්තු 18 සිට 40 දක්වා ගතවේ (සියයට 80කදී RTX ADA 6000 මත මිනිත්තු 19ක්).

   bash

   ./isaaclab.sh -p scripts/imitation_learning/isaaclab_mimic/generate_dataset.py \
       --device cpu \
       --num_envs 10 \
       --generation_num_trials 1000 \
       --headless \
       --input_file ./datasets/annotated_dataset.hdf5 \
       --output_file ./datasets/generated_dataset.hdf5

5. 5
   HDF5 LeRobot දත්ත කට්ටලයකට පරිවර්තනය කරන්න

   ඉහත සියල්ල robomimic-රසැති HDF5 නිපදවන අතර, Isaac Lab core තමන්ගේම LeRobot පරිවර්තකයක් සමඟ නොපැමිණේ: එහි ලේඛනවල සඳහන් වන්නේ ඔබට ජනනය කරන ලද දත්ත කට්ටලය LeRobot ආකෘතියට පරිවර්තනය කළ හැකි බව පමණි. ව්‍යාපෘති දෙකක් සත්‍ය පරිවර්තකය සපයයි. IsaacLab-Arena සම්පූර්ණයෙන්ම YAML වින්‍යාසයකින් ධාවනය වන GR00T-ඉලක්කගත එකක් සපයන අතර, LeIsaac SO-101 මාර්ගය සඳහා තමන්ගේම යුගලයක් සපයයි (පහත බලන්න).

   bash

   # IsaacLab-Arena, GR00T LeRobot format
   python isaaclab_arena_gr00t/lerobot/convert_hdf5_to_lerobot.py \
       --yaml_file isaaclab_arena_gr00t/lerobot/config/gr1_manip_config.yaml

ජනනය කිරීමේ උත්සාහයන් අසාර්ථක වන්නේ ඇයි, සහ වෙනස් කළ යුත්තේ කුමක්ද

70% ත් 1% ත් අතර උච්චාවචනය වන අපේක්ෂිත සාර්ථකත්ව අනුපාතය අභිරහසක් නොවන අතර, Isaac Lab ඔබට අනුමාන කිරීමට ඉඩ නොදී පොදු අඩුපාඩු ලේඛනගත කරයි. ඒවා සියල්ලම පටිගත කිරීමේදී ඔබට පාලනය කළ හැකි දේවල් වන අතර, පළමු බලාපොරොත්තු සුන් කරන උත්පාදන ධාවනයෙන් පසුව නොව, බීජ නිරූපණ දහය පටිගත කිරීමට පෙර මෙම ලැයිස්තුව කියවීම වටින්නේ එබැවිනි.

• නිරූපණ ඉතා දිගුයි. දිගු කාල සීමාවක් ප්‍රතිපත්තියකට ඉගෙන ගැනීමට අපහසුය. පළමු වස්තුවට සමීපව ආරම්භ කර චලනය අවම කරන්න.
• නිරූපණ සුමට නැත. අක්‍රමවත් චලනය ප්‍රතිපත්තියකට තේරුම් ගැනීමට අපහසු වන අතර, වඩා හොඳ ටෙලිඔපරේෂන් දෘඪාංග වඩා හොඳ දත්ත සපයයි: SpaceMouse එකක් යතුරුපුවරුවකට වඩා හොඳ බව ලේඛනවල පැහැදිලිව සඳහන් වේ.
• විරාම. විරාම ඉගෙන ගැනීමට අපහසුය, මන්ද ප්‍රතිපත්තියකට විරාම තැබිය යුත්තේ ඇයි සහ කවදාද යන්න පැහැදිලි නොවන බැවිනි. චලනය ද්‍රවශීලීව තබා ගන්න.
• උප කාර්යයන් වැඩියි. වැඩි උප කාර්යයන් යනු ගමන් පථ කොටස් අතර වැඩි සම්බන්ධීකරණයක් වන අතර, එය අඩු සුමට චලනයක් සහ අඩු උත්පාදන සාර්ථකත්ව අනුපාතයක් ලබා දෙයි. අත කිසිවකට ගැටීමට ඉඩක් නොමැති සීමා සලකුණු කරන්න.
• ක්‍රියාකාරී ශබ්දයක් නැත. ක්‍රියාකාරී ශබ්දය ප්‍රතිඵලයක් ලෙස ලැබෙන ප්‍රතිපත්ති වඩාත් ශක්තිමත් කරයි.
• පටිගත කිරීම ඉතා තදින් කපා ඇත. සාර්ථකත්ව පදය ක්‍රියාත්මක වන නිශ්චිත රාමුවේදී පටිගත කිරීම නතර වුවහොත්, නැවත ධාවනය කිරීමේදී එය නැවත ක්‍රියාත්මක නොවීමට ඉඩ ඇත. අවසානයේදී බෆරයක් තබන්න.
• නො-නිශ්චිත නැවත ධාවනය. Isaac Lab හි භෞතික විද්‍යාව env.reset හරහා නිශ්චිතව ප්‍රතිනිෂ්පාදනය කළ නොහැක, එබැවින් සමහර මානව නිරූපණ නැවත ධාවනය කිරීමේදී අසාර්ථක වේ. ඔබට අවශ්‍ය ප්‍රමාණයට වඩා එකතු කර සලකුණු කිරීමෙන් පසු ඉතිරි වන ඒවා තබා ගන්න. Mimic-ජනනය කරන ලද HDF5 ගොනුවකට ඇතුළු වන සෑම දෙයක්ම සාර්ථක නිරූපණයක් වන අතර, නැවත ධාවනය පසුව අසාර්ථක වුවද පුහුණුව සඳහා භාවිතා කළ හැක.

සම්බන්ධිත උප කාර්ය කොටස් අතර අන්තර්පෝලේෂන් පියවරට තමන්ගේම සුසර කිරීමේ බොත්තමක් ඇති අතර, ඔබට අවශ්‍ය අන්තර්පෝලේෂන් පියවර ගණන රොබෝවරයා චලනය වන වේගය සහ වස්තු යළි පිහිටුවීමේ ව්‍යාප්තියේ පළල අනුව වෙනස් වේ. විශාල යළි පිහිටුවීමේ ව්‍යාප්තියක් සහිත සංකීර්ණ කාර්යයක් කොටස් අතර විශාල හිඩැස් ඇති කරන අතර, එය අඛණ්ඩ චලනයක් ලෙස පිටතට ඒමට වැඩි අන්තර්පෝලේෂන් පියවර අවශ්‍ය වේ. ඔබගේ ජනනය කරන ලද වීඩියෝවල අත අදියර අතර දෝලනය වන බව පෙන්වන්නේ නම්, බීජ නිරූපණවලට දොස් පැවරීමට පෙර බැලිය යුතු පරාමිතිය එයයි.

SO-101 මත, සැබෑ නායක අත සමඟින්, එම පයිප්ලයම

මෙය මෙම පිටුව කියවන ඕනෑම කෙනෙකුට සිත්ගන්නා සුළු එකකි, මන්ද එය Isaac Lab තුළට ඇතුළු කර, ඔබට දැනටමත් හිමි භෞතික ලීඩර් අතින් එය ධාවනය කිරීමට ඉඩ සලසන එකම විවෘත පයිප්ලය මෙය වන බැවිනි. ලියන අවස්ථාව වන විට 0.4.0 අනුවාදය වන LeIsaac, LeRobot හි EnvHub තුළට ඒකාබද්ධ කර ඇති නිල අනුකරණ-ඉගෙනුම් අනුකරණ ක්‍රීඩා පිටියයි. එහි ගැළපුම් වගුවේ ක්‍රියාකාරී සංයෝජන තුනක් ලැයිස්තුගත කර ඇත; අලුත්ම එක Isaac Sim 5.1, Isaac Lab v2.3.0, CUDA 12.8, PyTorch 2.7.0 සහ Python 3.11 සමඟ යුගල වන අතර, 50-ශ්‍රේණියේ කාඩ්පත් සඳහා Isaac Sim 5.0 හෝ ඊට නවතම එකක් ලේඛන මගින් නිර්දේශ කරයි.

git clone https://github.com/LightwheelAI/leisaac.git --recursive
conda create -n leisaac python=3.11 && conda activate leisaac
conda install -c "nvidia/label/cuda-12.8.1" cuda-toolkit
pip install -U torch==2.7.0 torchvision==0.22.0 \
  --index-url https://download.pytorch.org/whl/cu128
pip install "isaacsim[all,extscache]==5.1.0" --extra-index-url https://pypi.nvidia.com
sudo apt install cmake build-essential
cd leisaac/dependencies/IsaacLab && ./isaaclab.sh --install && cd ../..
pip install -e source/leisaac
pip install -e "source/leisaac[lerobot]"
pip install numpy==1.26.0

එය ස්ථාපනය කිරීමෙන් පසු, /dev/ttyACM0 හි ඇති ලීඩර් අත අනුකරණය කරන ලද ෆලෝවර් එක ධාවනය කරන අතර කෙලින්ම HDF5 වෙත වාර්තා කරයි. ලූප් එක සැබෑ පටිගත කිරීම් වලින් ඔබ දැනටමත් දන්නා එකම එකයි, මෙහි ෆලෝවර් එක PhysX හි දෘඩ වස්තුවක් පමණි.

python scripts/environments/teleoperation/teleop_se3_agent.py \
    --task=LeIsaac-SO101-PickOrange-v0 \
    --teleop_device=so101leader \
    --port=/dev/ttyACM0 \
    --num_envs=1 \
    --device=cuda \
    --enable_cameras \
    --record \
    --dataset_file=./datasets/dataset.hdf5

බොහෝ ID -Direct-v0 ප්‍රභේදයක් ලෙසද පවතී, තවද python scripts/environments/list_envs.py වත්මන් ලැයිස්තුව මුද්‍රණය කරයි. ඔබට HDF5 මගහැරීම සම්පූර්ණයෙන්ම මඟහැර, ධජ තුනක් එකතු කිරීමෙන් ටෙලිඔපරේෂන් අතරතුර LeRobot ආකෘතියෙන් ලිවිය හැක. අනතුරු ඇඟවීම් දෙකක් ලේඛනගත කිරීමෙන්ම පැමිණේ: ආරම්භක තත්ත්වයන්ගෙන් ඇතිවන අස්ථාවරත්වය වළක්වා ගැනීම සඳහා රෙකෝඩරය එක් එක් කථාංගයේ පළමු 5 frames ස්වයංක්‍රීයව මඟහරියි, තවද එය ටෙලිඔපරේෂන් වලදී සුළු ප්‍රමාදයන් ඇති කළ හැක, එය ඔබගේ නිරූපණවල ස්වභාවය නිහඬව වෙනස් කරන ආකාරයේ දෙයකි. එය සාර්ථක ලෙස සලකුණු කළ කථාංග පමණක් ෆ්ලෂ් කරයි.

python scripts/environments/teleoperation/teleop_se3_agent.py \
    --task=LeIsaac-SO101-PickOrange-v0 \
    --teleop_device=so101leader \
    --port=/dev/ttyACM0 \
    --num_envs=1 --device=cuda --enable_cameras --record \
    --use_lerobot_recorder \
    --lerobot_dataset_repo_id=<your-user>/<dataset-name> \
    --lerobot_dataset_fps=30

ගුණ කිරීමේ පියවර පසුව එම පටිගත කිරීම් මත ක්‍රියාත්මක වේ. LeIsaac, Isaac Lab Mimic විධාන හතරකින් ආවරණය කරයි, මන්ද Mimic අවසාන-ප්‍රයෝගික සහ වස්තු ඉරියව් වලින් ගමන් පථ සාමාන්‍යකරණය කරයි: සන්ධි-අවකාශ ක්‍රියා IK-පාදක ක්‍රියා බවට පරිවර්තනය කරන්න, සටහන් කරන්න, ජනනය කරන්න, ඉන්පසු නැවත සන්ධි අවකාශයට පරිවර්තනය කරන්න.

python scripts/mimic/eef_action_process.py \
  --input_file ./datasets/mimic-lift-cube-example.hdf5 \
  --output_file ./datasets/processed_mimic-lift-cube-example.hdf5 \
  --to_ik --headless

python scripts/mimic/annotate_demos.py --device cuda \
  --task LeIsaac-SO101-LiftCube-Mimic-v0 \
  --input_file ./datasets/processed_mimic-lift-cube-example.hdf5 \
  --output_file ./datasets/annotated_mimic-lift-cube-example.hdf5 \
  --enable_cameras

python scripts/mimic/generate_dataset.py --device cuda \
  --num_envs 1 --generation_num_trials 10 \
  --input_file ./datasets/annotated_mimic-lift-cube-example.hdf5 \
  --output_file ./datasets/generated_mimic-lift-cube-example.hdf5 \
  --enable_cameras

python scripts/mimic/eef_action_process.py \
  --input_file ./datasets/generated_mimic-lift-cube-example.hdf5 \
  --output_file ./datasets/final_generated_mimic-lift-cube-example.hdf5 \
  --to_joint --headless

ඉන්පසු LeRobot වෙත පරිවර්තනය කරන්න. වේදිකාවේ ආකෘති රීතිය බලපාන පියවර මෙය වන අතර, LeIsaac ඔබට අවශ්‍ය පරිවර්තක දෙකම සපයයි: isaaclab2lerobot.py LeRobot v2 ලියයි, එය GR00T ලෝඩර් මගින් ගන්නා අතර, isaaclab2lerobotv3.py සඳහා v3 ලියයි Pi0.5, SmolVLA සහ ACT. ස්ක්‍රිප්ට් දෙකම එකම තර්ක ගනී, නමුත් විවිධ lerobot සංස්කරණ භාවිතා කරන අතර, සාර්ථක කථාංග පමණක් පරිවර්තනය කෙරේ.

pip install lerobot==0.3.3
pip install numpy==1.26.0

python scripts/convert/isaaclab2lerobot.py \
    --task_name=LeIsaac-SO101-PickOrange-v0 \
    --repo_id=<your-user>/so101_pick_orange_sim \
    --hdf5_root=./datasets \
    --hdf5_files=dataset.hdf5

පුහුණු ප්‍රතිපත්තියකට මාර්ග දෙකක්

වීඩියෝ ලෝක ආකෘති: නවතම ස්ථරය, සහ අවම වශයෙන් මනින ලද

DreamGen පිටුපස ඇති අදහස නම්, ඉලක්කගත රොබෝ ප්‍රතිමූර්තියට අනුවර්තනය කරන ලද වීඩියෝ ජනක ආකෘතියකට, ඔබ කිසිදා නොගිය දර්ශනවල විශ්වාසනීය කථාංග සිතාගත හැකි බවයි. මෙම නල මාර්ගයට අදියර හතරක් ඇත: වීඩියෝ ලෝක ආකෘතිය fine-tune කිරීම, ඡායාරූප යථාර්ථවාදී කෘතිම රොබෝ වීඩියෝ ජනනය කිරීම, ගුප්ත ක්‍රියා ආකෘතියක් හෝ ප්‍රතිලෝම ගතික ආකෘතියක් සමඟ ව්‍යාජ-ක්‍රියා අනුක්‍රමයන් ප්‍රතිසාධනය කිරීම, ඉන්පසු ප්‍රතිඵලය මත රොබෝ ප්‍රතිපත්තිය පුහුණු කිරීම. NVIDIA හි GR00T-dreams repository එක හරියටම එය ක්‍රියාත්මක කරයි.

ප්‍රධාන ප්‍රතිඵලය සත්‍ය වන අතර බැරෑරුම් ලෙස සැලකිය යුතුය: එක් පරිසරයක තනි තෝරාගැනීමේ සහ තැබීමේ කාර්යයකින් ලැබුණු ටෙලිඔපරේෂන් දත්ත මගින්, දර්ශනීය සහ නොදැකූ පරිසරයන් දෙකෙහිම, මානව රොබෝවරයෙකු මත නව හැසිරීම් 22ක් ජනනය විය. අනතුරු ඇඟවීම ද ඒ හා සමානව සත්‍ය වන අතර එය තුන්වන අදියරේ පවතී.

සහ-පුහුණුව යනු සැබවින්ම ලාභ පෙන්වන වට්ටෝරුවයි

සාහිත්‍යයෙන් එක් මෙහෙයුම් පාඩමක් ලබා ගන්නේ නම්, මෙය ගන්න. සිම්-සහ-සැබෑ සම-පුහුණු අධ්‍යයනය (Maddukuri සහ සගයන්, 2025) දෘශ්‍ය-පාදක රොබෝටික් හැසිරවීමේ කාර්යයන් විසඳීම සඳහා අනුකරණ දත්ත භාවිතා කිරීම සඳහා සරල වට්ටෝරුවක් සොයා ගැනීමට උත්සාහ කළේය, එය රොබෝ අතක් සහ මානව රූපයක් යන වසම් දෙකක් හරහා සිදු වූ අතර, එහි නිගමනය වන්නේ ඔබ මිශ්‍රණයක් මත පුහුණු විය යුතු බවයි. අනුකරණ දත්ත සැබෑ ලෝකයේ කාර්ය සාධනය සාමාන්‍යයෙන් සියයට 38 කින් වැඩි දියුණු කළ අතර, අනුකරණය සහ සැබෑ ලෝක දත්ත අතර සැලකිය යුතු වෙනස්කම් තිබියදීත් මෙය වලංගු වූ බව පත්‍රිකාව පැහැදිලිව දක්වයි.

එම අවසාන වගන්තිය සියයට 38 ට වඩා වැදගත් වේ. එයින් අදහස් වන්නේ සැබෑ දත්ත මිශ්‍රණයේ තිබී එයට පදනමක් සපයන්නේ නම්, අනුකරණය ප්‍රයෝජනවත් වීමට පරිපූර්ණ ඩිජිටල් නිවුන් දරුවෙකු විය යුතු නැති බවයි. සිම්-පමණක් මාරු කිරීම මිල අධික මාර්ගයකි: එම පත්‍රිකාවම සඳහන් කරන්නේ ප්‍රතිපත්තියක් අනුකරණයෙන් පමණක් පුහුණු කර එය සැබෑ ලෝකයට මාරු කිරීම බොහෝ විට යථාර්ථයේ පරතරය පියවීමට සැලකිය යුතු මානව ප්‍රයත්නයක් ඉල්ලා සිටින බවයි. සම-පුහුණුව එම ප්‍රයත්නයෙන් වැඩි කොටසක් මඟ හරියි, ප්‍රතිපත්තියට තනිවම පරතරය පියවීමට කිසි විටෙකත් ඉල්ලා නොසිටීමෙන්.

ප්‍රායෝගිකව, මෙම වේදිකාවේදී, සම-පුහුණුව යනු එක් දෙයකි: කථාංග කට්ටල දෙකම එකම LeRobot dataset ස්ථාවර කැමරා යතුරු, ස්ථාවර සන්ධි අනුපිළිවෙල සහ ස්ථාවර ඒකක සමඟින්, පසුව සාමාන්‍ය සියුම්-සුසර කිරීම. පුහුණු ආකෘතියේ මිශ්‍රණ-බර පාලකයක් නොමැත. ඔබට 3:1 සිම්-ටු-රියල් අනුපාතයක් අවශ්‍ය නම්, ඔබ එය දත්ත කට්ටලයට ඇතුළත් කරන එක් එක් කථාංග ගණන අනුව ප්‍රකාශ කරයි.

අනුකරණයෙන් ලැබෙන ලාභම ජයග්‍රහණය පුහුණු දත්ත නොවේ

එය ඇගයීමයි. කාර්යයක් සඳහා සැබෑ පරීක්ෂණ දුසිම් ගණනක් ධාවනය කිරීමෙන් දෙකක් සංසන්දනය කිරීම දවසක අතේ කාලයකි, එමෙන්ම අත පරීක්ෂණ අතරතුරදී වෙනස් වේ. SIMPLER (Li සහ සගයන්, 2024) විසින් සැබෑ ප්‍රතිපත්ති පුහුණු කිරීමට වඩා ඒවා ලකුණු කිරීමේ අරමුණින් අනුකරණය කරන ලද පරිසරයන් ගොඩනඟා ඇති අතර, පසුව සිම් ශ්‍රේණිගත කිරීම සැබෑ එක පුරෝකථනය කරන්නේ කෙසේදැයි මැන බැලීය. තනි SIMPLER පරිසරයක් පාරිභෝගික RTX 4090 එකක 640 by 512 විභේදනයකින් තත්පරයට 3,500 අනුකරණ පියවරයන්ගෙන් විදැහෙන අතර, 500 Hz අනුකරණ සංඛ්‍යාතයක් යටතේ එය සැබෑ ඇගයීමට වඩා 7x වේගවත් වීමකි.

ඒවා පොදු විවෘත මූලාශ්‍ර චෙක්පොයින්ට් හයක් සඳහා Google Robot කාර්ය කණ්ඩායම් තුනක සාමාන්‍යයන් වේ: විවිධ පුහුණු අවධිවල RT-1 චෙක්පොයින්ට් තුනක්, RT-1-X, RT-2-X සහ Octo-Base. සැබෑ පැත්ත ඒකාකාරී පරීක්ෂණ ගණනක් නොවේ, එය උපුටා දැක්වීමට පෙර දැන ගැනීම වටී: කෝක් කෑන් එකක් ගැනීමට පරීක්ෂණ 75ක්, ළඟට ගෙන යාමට 60ක්, ලාච්චු විවෘත කිරීමේ සහ වැසීමේ කාර්යයන් සඳහා 54ක් සහ දිගු ලාච්චු-සහ-ඇපල් කාර්යය සඳහා 27ක්. වලංගුකරණ MSE ට එරෙහිව සංසන්දනය කිරීම ප්‍රයෝජනවත් කොටසයි. වලංගුකරණ අලාභය මගින් ආකෘති තේරීම මෙම චෙක්පොයින්ට් නරක ලෙස ශ්‍රේණිගත කරන අතර, දෘශ්‍ය ගැලපීම යටතේ 0.924 ක Pearson r අගයක් යනු චෙක්පොයින්ට් එකක් SIMPLER හි වඩා හොඳින් ලකුණු කරන්නේ නම් එය බංකුව මත වඩා හොඳින් ලකුණු කිරීමට බොහෝ දුරට ඉඩ ඇති බවයි. එය නැවත නැවත කළ හැකි එක රැයකින් ලැබෙන ලකුණු පුවරුවක් වන අතර, සිම්-ටු-රියල් පුහුණු මාරු කිරීම ගැන කිසිවක් විශ්වාස කිරීමට ඔබට අවශ්‍ය නොවේ.

මෙම මිණුම් සලකුණු සංඛ්‍යා මඟින් දෘශ්‍ය-භාෂා-ක්‍රියා ආකෘතියක් ගැන ඔබට කුමක් කියන්නේද සහ නොකියන්නේද යන්න පිළිබඳ පුළුල් සන්දර්භය දැන ගැනීමට අවශ්‍ය නම්, අපි එය VLA දළ විශ්ලේෂණයෙහි වෙන වෙනම ලියා ඇත.

මෙම වේදිකාව ඔබට උදව් නොකරන තැන්

සීමාවන් පැහැදිලිව තේරුම් ගැනීමෙන් සියලු දෙනාගේ කාලය ඉතිරි වේ. AY-Robots යනු පටිගත කිරීම, පුහුණු කිරීම සහ සේවා සැපයීම සඳහා වූ වේදිකාවකි. එහි කිසිදු සිමියුලේටරයක් අඩංගු නොවේ.

• Isaac Lab නැත, MimicGen නැත, ලෝක ආකෘතියක් නැත, දර්ශන නිර්මාණය කිරීමක් නැත. ඔබට ජනනය කළ දත්ත අවශ්‍ය නම්, ඔබ එය වෙනත් තැනක ජනනය කර ප්‍රතිඵලය ගෙන එන්න.
• පුහුණුකරුවන් LeRobot දත්ත කට්ටල පමණක් පරිභෝජනය කරයි. සිමියුලේටර් අපනයනයක් ආදානයක් වීමට පෙර පරිවර්තනය කළ යුතු අතර, එය නිවැරදි අනුවාදය විය යුතුය: GR00T N1.5 සහ N1.7 සඳහා v2.0 හෝ v2.1, Pi0.5, SmolVLA සහ ACT සඳහා v3.0.
• GR00T හි fine-tuning ඇතුල්වීමේ ලක්ෂ්‍යය වන්නේ seed එකක් නොපෙන්වන tyro CLI එකකි, එබැවින් GR00T ධාවන bit-for-bit ප්‍රතිනිෂ්පාදනය කළ නොහැක. ඔබ ප්‍රවේශමෙන් sim-versus-real ablation එකක් ධාවනය කරන්නේ නම්, එය සැබෑ සීමාවකි. lerobot හි පෙරනිමි seed එක 1000 වන අතර, ACT, SmolVLA සහ Pi0.5 ආකෘති seed field එකක් පෙන්වයි.
• Gradient accumulation ඇත්ත වශයෙන්ම යොදනු ලබන්නේ GR00T පුහුණුකරුවන් දෙදෙනා සඳහා පමණි. Pi0.5 සහ SmolVLA සඳහා field එක ආකෘතියේ පවතී, නමුත් lerobot 0.5.1 හි එවැනි flag එකක් නොමැති බැවින් එය කිසිවක් නොකරයි.
• වේගවත් කාර්යයන් සඳහා Inference servos අසල තිබිය යුතුය. පාලන ලූපය ආකෘතිය අනුව ක්‍රියාකාරී පියවරකට 20 සිට 485 ms දක්වා වන අතර, පොදු අන්තර්ජාල වට සංචාර එකතු කිරීමෙන් ක්‍රියාකාරී ප්‍රතිපත්තියක් පැකිලෙන එකක් බවට පත් වේ. දුරස්ථ inference මන්දගාමී pick-and-place සඳහා ශක්‍ය වේ, වේගවත් ප්‍රතික්‍රියාශීලී චලනයන් සඳහා නොවේ.

ඔබට ආරක්ෂා කළ හැකි අයවැයක්

මාර්ග දෙක එකිනෙක අසල තබා, එක් එක් මාර්ගය ඇත්ත වශයෙන්ම ප්‍රකාශයට පත් කරන සංඛ්‍යා සමඟ, තීරණය සාමාන්‍යයෙන් අඩු වියදම් අතක් මත තනි කාර්ය ව්‍යාපෘතියක් සඳහා තනිවම ගනු ලැබේ.

SO-100 මත පළමු ප්‍රතිපත්තියක් සඳහා, වාර්තා කරන්න. සහ ඔබට කෝපි එකක මිලට සේවය කරන ලද චෙක්පොයින්ට් එකක් ලබා දෙන අතර, අනාගත සහ-පුහුණු මිශ්‍රණයක සැබෑ භාගය ඔබට ලැබෙනු ඇත. ඔබට ක්‍රියාකාරී මූලික රේඛාවක් සහ නම් කළ හැකි නිශ්චිත සාමාන්‍යකරණ අසාර්ථකත්වයක් ඇති විට සිමියුලේටරය වෙත යන්න, උදාහරණයක් ලෙස ප්‍රතිපත්තියක් .

සාක්ෂිවලට ගරු කරන වට්ටෝරුවක්

1. 1
   පළමුව සැබෑ මූලික රේඛාව වාර්තා කරන්න

   SmolVLA සඳහා කථාංග 30ක්, ACT, GR00T N1.7 සහ Pi0.5 සඳහා 50ක්. එක් වරක් පුහුණු කරන්න. එම ප්‍රතිපත්තිය අසාර්ථක වන ඕනෑම දෙයක් කෘතිම දත්ත සඳහා ඔබේ පිරිවිතර වේ.

2. 2
   සාමාන්‍යකරණයේ අසාර්ථකත්වය නම් කරන්න

   වස්තුවේ ඉරියව්ව? ආලෝකකරණය? මේසයේ උස? අවධානය වෙනතකට යොමු කරන්නන්? උපදෙස් වෙනස් ආකාරයකින් ප්‍රකාශ කිරීමක්ද? කෘතිම දත්ත එකවර මේවායින් එකකට පමණක් හොඳ වන අතර, කුමක්දැයි ඔබට කිව නොහැකි නම් නිෂ්ඵල වේ.

3. 3
   එය ආවරණය කරන ලාභම පවුල තෝරන්න

   ඉරියව් සහ සැකැස්මේ විචලනය: ගමන් පථ ගුණ කිරීම. ආලෝකකරණය සහ වයනය: පළමුව රූප වැඩි දියුණු කිරීම, දෙවනුව ලෝක ආකෘතිය. සම්පූර්ණයෙන්ම නව දර්ශන: භෞතික විද්‍යාත්මක ක්‍රියාකාරකම්, සහ ආකෘතිකරණ පිරිවැය පිළිගන්න.

4. 4
   ජනනය කරන්න, ඉන්පසු ආක්‍රමණශීලීව ඉවතලන්න

   උත්පාදන උත්සාහයන් අසාර්ථක වන අතර, Isaac Lab හිම අපේක්ෂක සාර්ථකත්ව අනුපාතය කාර්යය අනුව සියයට 70 සිට සියයට 1 ට අඩුව දක්වා පරාසයක පවතී. සාර්ථක, කාර්යය සම්පූර්ණ කරන ගමන් පථ පමණක් තබා ගන්න, සහ කණ්ඩායම විශ්වාස කිරීමට පෙර වීඩියෝවක් ලෙස නියැදියක් පරීක්ෂා කරන්න.

   bash

   python scripts/mimic/generate_dataset.py --device cuda \
       --num_envs 8 --generation_num_trials 500 \
       --input_file ./datasets/annotated.hdf5 \
       --output_file ./datasets/generated.hdf5 --enable_cameras

5. 5
   සම-පුහුණු කරන්න, ආදේශ නොකරන්න

   ජනනය කරන ලද කථාංග සැබෑ ඒවා සමඟ එකම කැමරා යතුරු සහ සන්ධි අනුපිළිවෙල සහිත තනි LeRobot දත්ත කට්ටලයකට ඒකාබද්ධ කරන්න. සියයට 38 ක අගය සම-පුහුණු අගයකි.

6. 6
   සැබෑ රොබෝ අත මත පමණක් ඇගයීම සිදු කරන්න

   අනුකරණය කරන ලද ඇගයීම හොඳ ශ්‍රේණිගත කිරීමේ සංඥාවක් (SIMPLER හි දෘශ්‍ය-ගැලපෙන සැකසුමෙහි Pearson r 0.924) නමුත් එය පිළිගැනීමේ පරීක්ෂණය නොවේ. එය විශ්වාස කිරීමට පෙර පරීක්ෂණාගාරයේදී පරීක්ෂා කරන්න.

ඔබට සැබෑ පටිගත කිරීම් සඳහා පිරික්සුම් ලැයිස්තුවකින් ආරම්භ කිරීමට අවශ්‍ය නම්, දත්ත එකතු කිරීමේ මාර්ගෝපදේශය කැමරා ස්ථානගත කිරීම, ක්‍රියා ඛණ්ඩනය ඇඟවුම් සහ අනුකරණ ඉගෙනීම දත්ත කට්ටලයක් භාවිතයට ගත නොහැකි කරන අසාර්ථක ක්‍රම ආවරණය කරයි. ආකෘතිය පිළිබඳ විස්තර දත්ත කට්ටල ලේඛනවල ඇත, සහ අධිපරාමිති පැත්ත පුහුණු ලේඛනවල ඇත.