LeRobot 项目部署运行逻辑（七）—— ACT 在 Mobile ALOHA 训练与部署

全部流程为：硬件配置 -> 环境安装 -> 遥操作数据采集 -> 数据集可视化 -> 策略训练 -> 策略评估

在之前的笔记中已经完成了绝大部分，最后再记录一下最后的训练部署，算是最简单的部分了

[1 ACT 训练](#1 ACT 训练)

[2 ALOHA 部署](#2 ALOHA 部署)

[3 更多细节](#3 更多细节)

1 ACT 训练

lerobot 目前支持算法在 lerobot/common/policies 中可以查看

之前数据采集完成了，修改相应参数，运行如下指令开始训练：

python 复制代码

python lerobot/scripts/train.py 
--dataset.repo_id=lerobot/collection_coil  \
--dataset.root=/home/robot/Documents/lerobotnew/collections/collection_coil/  \
--policy.type=act  \
--output_dir=/home/robot/Documents/lerobotnew/outputs/train/act_collection_coil  \
--job_name=act_collection_coil  \
--policy.device=cuda  \
--wandb.enable=true

训练完成后，在 outputs 中生成权重参数：

2 ALOHA 部署

连上机器人和相机，运行如下脚本测试：

python 复制代码

python lerobot/scripts/control_robot.py  
--robot.type=aloha   \
--control.type=record   \
--control.fps=30    \
--control.single_task="collection_coil."   \
--control.repo_id=lerobot/eval_collection_coil  \
--control.tags='["collection_coil"]' \
--control.warmup_time_s=3  \
--control.episode_time_s=50  \
--control.reset_time_s=5  \
--control.num_episodes=1  \
--control.policy.path=/home/robot/Documents/lerobotnew/outputs/train/act_collection_coil/checkpoints/last/pretrained_model  \
--control.num_image_writer_processes=1

PS: --control.repo_id 必须是 eval_

可以看到简单任务的效果还行：

部分复杂任务也还行，成功率也还可以：

3 更多细节

数据量我们目前简单动作用的是50组，成功率在90%左右，但是这种成功率在于机器人相机要固定住的前提上，所以如果想泛化能力强，还是需要更多的 diverse 数据；
采集数据和部署可以时间不一致，采集可以短一点20s动作，部署建议时间长一点，可以100s剥削机器人不停地干；
lerobot 架构功能很多，但是说明很简单，比如删除数据、采集时候可视化、数据继续采集等功能都有，需要自己修改参数；
ACT 对于简单功能够用了，但是复杂功能，首先是相机位置和精度很重要，合理布局可以完成部分复杂功能，但是更建议直接上 GR00T 或者 π0 这种 VLM+ACT/DP 的双系统架构，大脑+小脑确实效果好很多