SO-100 உடன் VLA கொள்கையுடன் DAgger Loop இயக்குதல்

உங்கள் கொள்கை இயங்குகிறது. இது கனசதுரம் அடையளிக்கிறது, கிரிப்பர் ஒரு சென்டிமீட்டரில் மிகவும் முன்னதாகவே மூடி, இருப்பதைப் போலத் தொடர்கிறது. எந்த வெளிப்பாடும் இல்லை, பயிற்சி இழப்பின் கண்ணோட்டத்தில் விளக்க முடியாது. சரிபெற 20 000 சாய்வு படிகள் அதே பாடங்களில் பதிலல்ல. இது உங்கள் கையை பலம் பெற்ற팔ம் சரியாக அது தவறு கொள்ளுகிறது இடத்தில் வை, உங்கள் செய்ததை பதிவு செய்து, அடுத்த சரிபார்ப்பநூல் பயிற்சி பழைய தரவு கூட்டி தொடர். அது DAgger சுற்றம், இதைத்தான் ஒன்று இயக்கம் SO-100 கொண்டு நோக்குக் மொழி-செயல் கொள்கை.

கோட்பாடு வேறிடத்தில் உள்ளது: தரவுத்தொகுப்பு சங்கமம் எவ்வாறு செயல்படுகிறது மற்றும் மனிதனால் கட்டுப்பாடு என்ன மாற்றுகிறது. இது இயக்குநர் கையேடு, உபயோகம் தொடங்க சரிபார்ப்பநூல், வேலைசெய்யும் கேமரா கட்டு, மற்றும் உலகில் நகர்ந்த팔 எனக் கருதுவது. கீழே ஆறு படிகள் சுற்றம் உபயோகபடுத்த வழியை இந்த தளத்தின் DAgger பக்கம், ஆனால் வரிசைமுறை உங்கள் சொந்த சிற்றுரையிலிருந்து ஒரே.

இரண்டாவது சுற்றம் ஏன் செய்து மட்டும் மேலும் தரவு

நடத்தை குறிப்பு செய்து பாடங்கள் மனிதன் பார்வை இடம். சோதனை நேரத்தில் கொள்கை பயிற்றுவிக்க வேண்டிய நிலைமைகள், சிறிய செயல் பெரிய பிழைகளை நிலைமைகளாக ஒன்றாய் எடுத்துக்கொள்ள விளக்கங்கள் பொதுவாக செய்து ஆ. ரஸ், கோர்டன் மற்றும் Bagnell உயர்ந்த அதிக சாய்வு AISTATS 2011ல் மற்றும் வாஸ்தவ உடனான முறையான தீர்மான கொள்கை, உடனுக்கு தீர்மானம் நிலைமை பகிர்வு மீது நல்ல செயல்பாடு உடன் வேண்டும்: தற்கணம் கொள்கை இயக்க, நிபுணன் உயர்ந்த நிலைமைகள் இ உண்மையில் வந்தவர்கள், சேர்க்கை அவை தரவுத்தொகுப்புக்கு, பயிற்சி மீண்டும், மீண்டும் செய்க. Kelly et al. கோரிக்கை நடைமுறை HG-DAgger உடன் செய்தார், கொதிப்பு மனிதன் தீர்மானம் செய் வேண்டுமா கைமுறையாக நிலைமைகளை உயர்ந்த சொல் பதிலாக பூர்வ விடுக்கை; அவர்கள் அறிக்கை கட்டுப்பாட்டு கொள்கை மற்றும் நடத்தை குறிப்பு கொள்கை உயர்ந்த சுயவிவரக் பணிக் மீது. மனிதனால் கட்டுப்பாடு செய்து மனிதன் மட்டும் பெண்கள் அடியாக மேசை팔 மீது அஸ்திரே - நீ பூக்க விசைப்பலக பயன்படுத்த வேண்டுமா பிழை எப்போதும் சிறிய.

இரண்டு விளைவு முக்கியமான அதிக நடைமுறை மீ இணை கோட்பாடு. திருத்தங்கள் அதிகாரப்பூர்வ பாடங்கள் இல்லை: அவை நிலை மூடக் பொருளூல் Mandlekar et al. விவரித்த, கொதிப்பு சிறிய விலக்கம் வீழ்ச கொள்கை நிலைமைகள் பாடங்கள் பொதுவாக எப்போதும் செய்து. மற்றும் தரவுத்தொகுப்பு செய் அந்த கடினமான பாகங்கள் மட்டும் மிக்க பாடலான தரவுத்தொகுப்பு - Belkhale, Cui மற்றும் Sadigh வாதம் தரவுத் பக்கம் நிலைமை பகுத்தல் எப்போதும் நன்மை அல்ல, மற்றும் செயல் சிதறல் பெயர்ச்சி சிதறல் ஒன்றாக தீர்மானம் தரவுத்தொகுப்பு தரம். கலந்த தரவுத்தொகுப்பு கணக்கை சமரசம் இல்லை, இது ஆ புள்ளி.

இ சரிபார்ப்பு முதல் சுற்றம் முன் பணி

DAgger சுற்றம் வேறுபாடு கொள்கை உடனேயே கால் முழுக்கவும் ஒப்பீடு. சுற்றங்கள் நடுவே மாற்றுக நீ என்ற பிற தரவுத்தொகுப்பு அது ஒப்பீடு பொருளற்றது.

• கேமரா நிலைமைகள் மற்றும் பொறிகள், மணிக்கட்டு கேமரா உட்பட. ஒரு பிணைப்பு தளர்க்கவும் மற்றும் நீ மாற்றினாய் அவதான பகிர்வு, கொள்கை இல்லை.
• பொறுப்பு மற்றும் வெள்ளை சமநிலை, உங்கள் ஏற்பாடு அந்த பிடித்து அவை வேண்டுமா. தன்-பொறுப்பு விலகி சுற்றங்கள் நடுவே மெல்ல, கணக்கப் பதிவு மாற்றம்.
• 팔 தொட்டு மற்றும் சர்வோ பூஜ்ய நிலைமைகள். நீ புனரீ குறிப்பு வேண்டுமா, நிலை எல்லாவுமாய் பதிவுசெய் அ விலகு தரவுத்தொகுப்பு.
• பணி உரை. ஒவ்வொரு VLA இங்கு அதைத் தள்ளினாய்; பணி உரை மாற்று வழி-சுற்றம் சம்ப் பணி.
• ஒளி, மேசை பூமி, பொருள் தொகு. ஒரு புதிய பொருள் சம் பரீட்ச, சுற்றம் இல்லை.
• பதிவு நேரம் வீதம். ஒப்பீடு இடையிட்டுக்கொள்ள வீதங்கள் இரண்டு பணி வட்டத்தின் தரம் வந்த வட்டம் வேறு.

சுற்றம், ஆ முடையவை முடுங்கிய

1. 1
   வெய்ப்பு கொள்கை இயக்க மற்றும் பதிவு

   சுற்றம் தொடங் சரிபார்ப்பநூல் நீ மேம்படுத்த விரும்பும் உடன், பதிவு உயர் அ தொடங்க. பயிற்சி பதிவுசெய்யப்பட் இந்த வழி பயிற்சி பதிவுசெய் அ அதன் சொந்த பணி உரை, என்ற என்ற கொள்கை செய்து பயிற்சி, மாற்றாக பொதுவான தொலை கையாளுகை சுட்டி. இல்லாமல் பதிவுசெய்து நீ பாரா அ தவறு ஆனால் பயிற்சி இ செய்து முடியாது.

   bash

   # two calls, not one: the run, then its recording
   POST /inference/start      # model_id, and hf_repo_id = the checkpoint to drive
   POST /recording/start      # root=inference
   # root=inference also makes the recording inherit the run's task text

2. 2
   பூட்டு விசைப்பலக மற்றும் பூச்சை பின்னணி உபயோகம் தேர்வு: தலைவர்팔, விசைப்பலக அல்லது பூச்சை. மணிக்கட்டு இயக்க பணி தொடங்க, நீ சரி, நீ பின்னணி பின்னணி சரிபார்ப்பு உள்ளே செயல்பாடு மீது கருவி. பதிவு செய் நீ இயக்க பயிற்றுவிக்க உள்ளிட.

   இடையிட்டுக்கொள்ள ஒவ்வொரு விளிம்பை

   bash

   POST /inference/takeover/start   # input = leader | keyboard | sliders
   POST /inference/takeover/nudge   # keyboard, relative delta per call
   POST /inference/takeover/set     # sliders, absolute target
   POST /inference/takeover/stop    # back to the policy

3. 3
   தீர்க்கம் ஒவ்வொரு விளிம்பு: பணி திருத்தம், மதிப்பீடு விளிம்பாக பெறுக, அல்லது நிராகரிக்க. ஒரு இயக்க கொள்கை முடிந்தால் எந்து உதவி மதிப்பீட்டு தரவு.

   கூட்ட திருத்தம் தரவுத்தொகுப்பு

4. 4
   திருத்தங்கள் சேர்ந்து ஒரு நிலை தரவுத்தொகுப்பு ஒவ்வொரு கொள்கை மற்றும் மேகக் சேமிப்பக மூலம் தன்னியக்க ஒப்பும் செல்க. எந்து இ வாழ்க்கைக் உ இல்லாமல் நீ அ வைத்தாய்.

   கலப்பு தரவுத்தொகுப்பு உருவாக்க

5. 5
   அசல் தரவுத்தொகுப்பு உடனு திருத்தம் தரவுத்தொகுப்பு, விளிம்பு ஆ ஆதாரம் தேர்ந்தெடுக்கப்பட. விளைவு ஒரு சாதாரண

   LeRobot தரவுத்தொகுப்பு

   bash

   POST /training/datasets/compose
     sources  = [ original_dataset, korrekturen_<policy> ]
     episodes = explicit selection per source

6. 6
   அ புள்ளி இலிருந்து பயிற்சி போல் வேறே. முக்கியம் சொத்து என்ற விளிம்பு தேர்வு வெளிப்பாட ஆ ஆதாரம் - எந்து இ கலைந்து தன்னியக்க. இ சிறிய தோற்றம் வரை முதல் நேரம் கொள்கை அபூர்வ நடத்தை மற்றும் நீ மீட்சி என்ற நீ செய்திருக்கும் பயிற்சி உள்ளது.

   முடுக்க பயிற்சி சரிபார்ப்பநூல் இலிருந்து

   bash

   # field on the training job
   base_checkpoint = s3://ay-robots/checkpoints/<run>/<checkpoint>
   # the platform passes it to the training pod as BASE_CKPT_S3

பயிற்சி கலப்பு முந்தைய சரிபார்ப்பநூல் பதிலாக அடிப்படை மாதிரி. குறிப்பு சரிபார்ப்பநூல் மற்றும் கலப்பு; இ செயல்பாட் சுற்றம் புதுமை முடியாது.

2 விளிம்பு விவர: இரண்டு வழிகள் பூட்டு விசைப்பலக மற்றும் பூச்சை

தலைவர்팔 கொண்டIn தலைவர்-அனுசரண

பாசனி பூட்டு பரிமாற்றம் இ இரண்டு팔ம் ஒரு பொதுவான தட்டில் இல்லை. விசைப்பலக பூட்டு பணி அடுக்க மற்றும் கொண்ட தலைவர் பின்னணி தற்கணம் நிலை, அதுபோல் எந்து குதிக்க மாற்றம் விசைப்பலக. என்ற சம्मिलिनि பணி நேரம் வெளியே, நீ உடனுக்கு தலைவர் கையாக மற்றும் விடுக்கை ஐந்து பாகங்கள் உள்ளே. அதை இலிருந்து நீ தொலை கையாளுக பாரா மற்றும் செயல் நெடுவரிசை பணி முறை என்ற நீ வேண்டும்.

உண்மை அ பாதை: சம्मिलिनि பணி மற்றும் விசைப்பலக பரிமாற்றம் மிக்க சோதிக்கப்பாடு உபயோக உபகரணம் மீது சம் பாதை. சम्मिलिнi பணி மெல்ல, வே பணி முன் நீ பாசனி இ பாதை. தலைவர்팔 விளைவ மெல்ல திருத்தங்கள் மூன்றாவது மிக்க பாதை, மற்றும் மேலும் என்ற முடியும் செல்க பொறிபெரிய.

இல்லாமல் தலைவர்팔: விசைப்பலக மற்றும் பூச்சை

மறிக்கப்பட்டது 409 பாசனி பூட்டு முதல் பாசனி வகையில் தொடங்கிய

Q / A   joint 1      R / F   joint 4
W / S   joint 2      T / G   joint 5
E / D   joint 3      Z / X   gripper

பயிற்சி பக்கம் ஒரு சுற்றம் என்ற ஒரே வளரும் வரிசை முதல் ஓட்ட; சரிபார்ப்பநூல் மைதானம் மட்டும் வேறு.

எப்போது பூட்டு பணி

팔 பூட்டு இல்லையே மணிக்கட்டு தற்கணம் நிலை ஆ பூட்டு கட்டை: தொடுபணி பூட்டு ஒரு இयंत्र பணி ஒ குறிப்பு, கொள்கை தெரிந்து பாசனி செயல் மற்றும் பாசனி குறிப்பு ஒ பணி. அ கட்டை உள்ளே கொள்கை கற்றல் பூட்டு செய்து பணி வேண்டுமே அ செயல் பொழுது.

5 விளிம்பு விவர: கலப்பு தொகுப்பு

• உருவ திறந்த-உயர் தரவுத்தொகுப்பு கூட்டி திருத்தம் தரவுத்தொகுப்பு மற்றும் பொதுவான
• LeRobot தரவுத்தொகுப்பு
• உற்பத்தி செய் பயிற்சி போல் பொதுவான. முக்கியம் சொத்து என்ற விளிம்பு வெளிப்பாட ஒ ஆதாரம் - எந்து இ கலைந்து தன்னியக்க. இ சிறிய தோற்றம் வரை முதல் நேரம் கொள்கை அபூர்வ நடத்தை மற்றும் நீ மீட்சி என்ற நீ செய்திருக்கும் பயிற்சி உள்ளது.

திருத்தம் விளிம்பு சாதாரண விளிம்பு உடன் ஒ ஒ-ஒ-வேரு பூட்டு குறிப்பு, எனவே அவை கலப்பு அசல் தரவுத்தொகுப்பு உடன் பொறி மாற்றம் இல்லாமல்।

6 விளிம்பு விவர: என்ற முடுக்க சரிபார்ப்பநூல் உண்மையாக பொருள்பயிற்சி கலப்பு அ அடிப்படை மாதிரி பணி ஆனால் எறிந்து வெளியே முந்தைய சுற்றம் மற்றும் மூல ஒட்ட. முடுக்க முந்தைய சரிபார்ப்பநூல்

வேகமாக மற்றும் பொதுவாக சிறந்த. இ மாறுக்கு வேறே அ வாக்கு கூறுகிறது.

கொள்கை

செல்GPU நிலைஉயர் ஒவ்வொரு செயல்பாட படி

பார் என்ற DAgger சுற்றம் வாழ்

நான்கு வழிகள் வீணாக ஒ சுற்றம்1. பயிற்சி பூட்டு திருத்தங்கள் மட்டும்மிக்க பொதுவான தவறு மற்றும் மிக்க சோதனை் ஆ குறுக்குவழி. ஒ பூட்டு-மட்டுமே தரவுத்தொகுப்பு தளவுமே கடினமான மிக்க பணி, ஒ முகம் மற்றும் வெளியேற தொலை; கொள்கை சிறந்த கடினமான பிற மற்றும் மறந்தே பாதை அ. சங்கமம் உள்ள என்ற ஆ வழிமுறை வளரம், உள்ள பழைய தரவு உள்ள இ பிற நடத்தை இ கொள்கை ஆ பிற நடத்தை இ கொள்கை ஆ பிற நடத்தை.

மூடக் உயர்மேல், மற்றும் பயிற்சி பூட்டு போது, அவ் என்ற தெரிந்து. அ மதிப்பு என்ற கொள்கை தொகுத்து கொள்கை செய்து சிறிய பிற நாம் முற்றும் செய்து தள். இ போல் தொடர்ந்து; இ பாசனாய்.

4. அழைப் சூடு இறுக் தொடுபணி

என்ற நீ கொள்கை தொடுபணி பணி தொடுபணி உள்ளை, நீ செய் தொடுபணி விளிம்பு ஒ முறை கேட் விளிம்பு மற்றும் நீ பாரா தொடுபணி உள்ளை ஒ வாழ் மற்றும் நீ வேறே ஏற்ப. ஒ முறை சொல்லலாம் விளிம்பு உணர்த்து ஒ வாழ் மற்றும் நீ சுட்டு தொடுபணி உள்ளே என்ற தொடுபணி வெளியேற।

அளவிடும் சுற்றம்

அ மெட்ரிக் ஒ மனிதன்-கட்டுப்பு சுற்றம் என்ற இடையிட்டுக்கொள்ள வீதம்: வசன பதிவுசெய் இடையிட்டுக்கொள்ள, வகுக்க மொத்த வசன இயக்க. இ வேண்டுமே வெளிப்பாட் நிலை, மற்றும் இ உள்ள ஒ எண் வேலை சுற்றம் கேள் கேள். பயிற்சி இழப்பு வீழ்சி என்ற கொள்கை ஒ இழப்பு; வெற்றி விகிதம் பூர்ணம் மற்றும் கோலாहலम் மீது செல் ஆ மேசை팔 முடிவு. இடையிட்டுக்கொள்ள வீதம் தொடர்ந்து, அளவீட் நிலை கொள்கை செய்து உற்பத்தி, மற்றும் இ வீழ்சி கொள்கை வேண்டும் குறைவு.

ஒப்பீடு அ மட்டுமே மேல் ஓட்டங்கள் பதிவுசெய் அ அ விநியोگம் அ வாழ் மற்றும் கேள்வி என்ற முறை இ தரம் வந்தவர்கள் வேறுபடு மாறு ஒ மணி. முழு வாதம், மற்றும் என்ற பயிற்சி ஓட்ட தொகு என்ற வெளிப்பாட் வெளியே இரண்டு சுற்றங்கள், உள்ளது

இ பரீட்ச மீது அளவிடும் DAgger சுற்றம்

. முதல் சுற்றம் வास्तविकता ஒ வாழ் சோதனை: நீ சரி பூட்டு பணிக் உங்கள் உபகரணம், திருத்தங்கள் நிலை உடனேயே குறிப்பு, மற்றும் முடுக்க ஓட்ட லோட் சரிபார்ப்பநூல் நீ பெயரிட. சுற்றங்கள் இரண்டு மற்றும் மூன்றாவது என்ற விகிதம் வேண்டுமே மொழி நகர். என்ற அ நகர் பக்கம் சுற்றம் நான்கு, பணி வெளிப் தொடர் DAgger.

இ பரீட்ச மீது அளவிடும் DAgger சுற்றம் பற்றி கூறுவது பலக்கு முக்கியமாயிற்று.

நீ அளவுக வேண்டுமா சரிபார்ப்பு குறிப்பு சற்று சரிசெய்வது உயர்ந்த மதிப்பு கொள்கை.

ஒரு சுற்றம் முதல் வாழ் சோதனை: பூட்டு செயல் நன்றாக இ வாழ் பரிசோதனை.

சுற்றங்கள் இரண்டு மற்றும் மூன்றாவது விகிதம் நகர்வதை பாரக்க வேண்டுமே.நாலாம் சுற்றம் வரை விகிதம் நகர் இல்லை என்றால் சிக்கல் மேலே உள்ளிடத்தில்.ஒரு சுற்றம் பதிவு செய்க: சரிபார்ப்பநூல் கொல்வுதல் நெடுவரிசை முக்கியமா.

பூட்டு திருத்தங்கள் சொந்த தரவுத்தொகுப்பு ஒவ்வொரு கொள்கை வரிசை.

நன்கு-சரி செய் உள்ளீடு புள்ளி முந்தைய சரிபார்ப்பநூல் லோட்வு.தொடுபணி சொல்லும் தரம் இ இயக்க நீ ஒ பதிவுசெய் உடனேயே।மூன்று இயக்க இருக்க தவறான ஒன்று அமுக்க நஞ்சு அடுத்து।பணி பணிக்கு திருத்தம் உண்மையான சரி கொள்கை மீது நிலை।மதிப்பீடு விளிம்பாக பேறு தூய்மையான தன்னியக்க ஓட்டங்கள்।நிராகரிக்க ஒ பிழை வெளியே தொலை கேமரா நேரம் பணி உள்ளை।பணி பணிபுரிய நிலை விளிம்பு உள்ளே விளிம்பு பூட்டு।팔 பூட்டு இல்லையே மணிக்கட்டு தற்கணம் நிலை பூட்டு கட்டை।தொடுபணி பூட்டு ஒ இயंत्र பணி குறிப்பு கொள்கை தெரிந்து।குறிப்பு ஒ பணி கட்டை உள்ளே கொள்கை கற்றல் பூட்டு।கலப்பு தொகுப்பு உருவ திறந்த-உயர் தரவுத்தொகுப்பு கூட்டி திருத்தம்।LeRobot தரவுத்தொகுப்பு உற்பத்தி பயிற்சி போல் பொதுவான முக்கியம்।திறந்த கேள்வி விகிதம் யாரும் எண் பரிமாற்றம் கொண்டு।

பூட்டு செய் உடனேயே கணக்கு தப்புக் வேறு வந்த།