Oggetti di addestramento per l'apprendimento per imitazione: perché i cubi identici battono gli oggetti domestici

Usare cubi di legno colorati identici al posto di oggetti domestici casuali rende il Suo primo dataset di apprendimento per imitazione più facile da registrare, più coerente e più veloce da addestrare, perché il robot vede la stessa forma e gli stessi bordi in ogni fotogramma. Quando addestra una policy di pick-and-place con LeRobot su un braccio robotico SO-ARM101, la scelta degli oggetti di addestramento determina se la policy converge in 30 episodi o fallisce dopo 100. Questa guida spiega perché contano la coerenza di forma, peso e colore e quali oggetti funzionano meglio per il Suo primo dataset.

Perché gli oggetti domestici rendono l'addestramento più difficile

Gli oggetti domestici casuali sembrano pratici: una tazza, una bottiglia, un telecomando. Sono disponibili, gratuiti e rappresentativi dei compiti reali. Ma per il Suo primo dataset introducono tre problemi che impediscono alle policy di imparare.

Primo, l'incoerenza di forma. Una tazza ha un manico curvo e un bordo circolare; una bottiglia ha un collo stretto. Quando registra 30 episodi con oggetti diversi, le telecamere del robot vedono 30 forme diverse. La policy deve imparare non solo ad afferrare, ma anche a riconoscere quale oggetto compare in ciascun episodio. Questo raddoppia la complessità.

Secondo, la variazione di peso. Una bottiglia d'acqua piena pesa 600 grammi; una tazza vuota pesa 150 grammi. I servo del robot esercitano coppie diverse per sollevare ciascun oggetto. ACT e Diffusion Policy apprendono dalle posizioni e dalle coppie dei giunti, quindi l'incoerenza di peso aggiunge rumore allo spazio delle azioni. La policy converge più lentamente o non converge affatto.

Terzo, l'ambiguità visiva. Gli oggetti domestici non hanno bordi netti. Una bottiglia di plastica liscia riflette la luce in modo diverso a seconda dell'angolazione, e la telecamera da polso del robot non riesce a rilevare dove finisce la bottiglia e dove inizia lo sfondo. Le policy addestrate su oggetti ambigui spesso imparano a mancare il punto di presa di qualche millimetro, con il risultato che la pinza fa cadere l'oggetto invece di sollevarlo.

Per il Suo primo dataset conviene eliminare tutti e tre i problemi. Usi un solo oggetto, ripetuto 30 volte. L'oggetto dovrebbe avere spigoli netti, peso costante e nessuna superficie riflettente.

Che cosa rende buono un oggetto di addestramento

Un buon oggetto di addestramento per l'apprendimento per imitazione ha quattro proprietà: semplicità geometrica, contrasto visivo, stabilità di peso e facilità di presa. I cubi di legno le soddisfano tutte e quattro.

La semplicità geometrica significa che l'oggetto ha facce piane e spigoli dritti. Le telecamere del robot rilevano i bordi tramite gradienti, e gli spigoli dritti producono gradienti forti e coerenti. Un cubo appare uguale da sei angolazioni. Una sfera o un cilindro appaiono diversi a seconda della rotazione, il che aggiunge ambiguità.

Il contrasto visivo significa che l'oggetto si distingue dallo sfondo. Cubi dai colori vivaci su un piano di lavoro neutro creano confini netti che il modello di visione rileva facilmente. Un oggetto beige su un tavolo di legno si confonde con esso, e la policy impara a cercare l'oggetto invece di raggiungerlo direttamente.

La stabilità di peso significa che ogni cubo pesa lo stesso. In un compito di pick-and-place, la coerenza di peso elimina una variabile. I servo del robot esercitano la stessa coppia in ogni episodio, e la policy impara il movimento senza compensare un peso sconosciuto.

La facilità di presa significa che l'oggetto sta nella pinza e non rotola. Un cubo poggia in piano e non si muove quando la pinza si avvicina. Una sfera rotola quando viene toccata, il che cambia la sua posizione tra l'avvicinamento e la presa. La policy impara che l'oggetto si muove in modo imprevedibile, e la convergenza rallenta.

Proprietà	Cubi di legno	Oggetti domestici	Perché vincono i cubi
Coerenza di forma	Identici	Variabile (tazza o bottiglia)	La policy vede gli stessi bordi
Coerenza di peso	±5 g	±200 g	Meno rumore sulla coppia
Contrasto visivo	10 colori, opachi	Spesso neutri o lucidi	Rilevamento chiaro
Stabilità	Poggia in piano, non rotola	Rotola, si ribalta, scivola	Punto di presa fisso

Il set Robot Training Props comprende 100 cubi di legno in 10 colori con un vassoio 10×10. Ogni cubo misura 2 cm e pesa circa 8 grammi. Per un primo dataset, usi un solo colore e posizioni il cubo sempre nello stesso punto.

Registrare un dataset con cubi identici

Segni la posizione di partenza con del nastro. Posizioni un cubo sul segno prima di ogni episodio. Usi il vassoio per riporre i cubi inutilizzati e per definire la posizione di destinazione. La griglia del vassoio offre punti di riferimento per un posizionamento coerente.

Quando registra 30 episodi con cubi identici, ogni fotogramma appare simile. La telecamera da polso vede la stessa forma e lo stesso colore del cubo. La telecamera zenitale vede la stessa posizione di partenza. La policy impara lo schema del movimento senza dover imparare il riconoscimento degli oggetti.

Dopo 30 episodi, ACT o Diffusion Policy dovrebbero mostrare segni di apprendimento: il robot si muove verso il cubo, chiude la pinza e solleva. In tal caso, registri altri 20 episodi per rifinire il movimento. In caso contrario, verifichi che il posizionamento del cubo sia coerente. Guardi cinque episodi a caso e controlli che il cubo parta esattamente dallo stesso punto.

Per un primo addestramento, un dataset con cubi di un solo colore converge più velocemente di uno multicolore. Una volta ottenuta una policy funzionante, potrà registrare un secondo dataset con più colori per verificare la generalizzazione. Ma per i primi 30 episodi usi un solo colore ed elimini ogni variabile tranne il movimento.

Il SO-ARM101 First Training Kit riunisce il kit braccio Starter con i training props, così ha già pronti sia il robot sia gli oggetti per registrare. Per il montaggio delle telecamere, consulti il braccio da scrivania per telecamera zenitale e la guida alla configurazione delle telecamere LeRobot.

Quando usare gli oggetti domestici

Dopo che la Sua prima policy funziona con i cubi, può passare agli oggetti domestici. A quel punto comprende come si comportano i dataset coerenti e può diagnosticare i fallimenti dovuti alla variazione degli oggetti.

Inizi con oggetti che condividono una proprietà con i cubi: una scatolina, un domino, un mattoncino Lego. Registri 30 episodi con un solo tipo di oggetto. Se la policy impara, aggiunga un secondo tipo di oggetto e registri altri 30 episodi. Se fallisce, l'oggetto è troppo diverso e servono più dimostrazioni o un oggetto più semplice.

Gli oggetti domestici funzionano anche per compiti bimanuali o di manipolazione dinamica, dove la complessità sta nel movimento e non nell'oggetto. Per il pick-and-place, parta dal semplice e aggiunga complessità solo dopo che la linea di base funziona.

Errori comuni con gli oggetti di addestramento

Usare più tipi di oggetto nel primo dataset frammenta i dati di addestramento. Se registra 10 episodi con un cubo, 10 con una bottiglia e 10 con una tazza, la policy vede ogni tipo di oggetto solo 10 volte. Dieci dimostrazioni non bastano per imparare uno schema di presa. Registri prima 30 episodi di un solo oggetto.

Posizionare l'oggetto a caso impedisce alla policy di imparare il percorso di avvicinamento. Se il cubo compare in una posizione diversa in ogni episodio, la policy deve imparare a cercare l'oggetto prima di afferrarlo. Questo richiede più di 100 episodi. Per il Suo primo dataset, fissi la posizione di partenza e insegni alla policy a muoversi, non a cercare.

Usare oggetti trasparenti o riflettenti confonde il modello di visione. Le bottiglie di plastica trasparente e le lattine di metallo lucido riflettono lo sfondo e la pinza del robot. Il modello non riesce a separare l'oggetto dall'ambiente circostante. Usi oggetti opachi, non lucidi e di colore uniforme.

Dopo il Suo primo dataset

Quando la Sua policy solleva un cubo in modo affidabile, provi con un cubo di colore diverso. Se funziona, la policy ha generalizzato i cambi di colore. Se fallisce, il colore faceva parte di ciò che ha imparato e serve registrare un dataset multicolore.

Poi varii leggermente la posizione di partenza: sposti il cubo di 2 cm a sinistra, a destra, in avanti o indietro. Registri cinque episodi per ciascuna posizione. Se la policy si adatta, ha imparato il movimento di presa. Se funziona solo nella posizione originale, ha memorizzato le coordinate e servono dimostrazioni più varie.

Per compiti più complessi, gli oggetti domestici diventeranno prima o poi necessari. Ma per il Suo primo dataset, i cubi identici eliminano ogni ostacolo tranne il movimento stesso, e il movimento è ciò che vuole che la policy impari.

Per ricambi e strumenti di addestramento, visiti la collezione di parti e accessori per bracci robotici. Per il flusso di registrazione dei dataset, consulti la guida per registrare il Suo primo dataset LeRobot.

Domande frequenti

Posso usare mattoncini Lego al posto dei cubi di legno per l'addestramento?

Sì, i mattoncini Lego funzionano bene se hanno la stessa dimensione e lo stesso colore. Usi mattoncini 2×2 o 2×4, non piastre, perché le piastre sono troppo sottili per la maggior parte delle pinze. Gli spigoli netti e la geometria coerente dei mattoncini Lego equivalgono a quelli dei cubi di legno. Il vantaggio principale dei cubi di legno è il peso: i mattoncini Lego sono più leggeri e possono spostarsi quando la pinza si chiude, ma se la Sua pinza è delicata i mattoncini Lego sono un'alternativa gratuita.

Servono oggetti diversi per ACT e per Diffusion Policy, o entrambi funzionano con i cubi?

Sia ACT sia Diffusion Policy funzionano con cubi identici. ACT impara leggermente più in fretta su dataset semplici e coerenti, quindi i cubi sono ideali per ACT. Diffusion Policy gestisce più variazione e trae vantaggio da oggetti diversi una volta superato il primo dataset, ma converge anche sui cubi. Inizi con i cubi per entrambi; dopo aver ottenuto una policy funzionante, diversifichi gli oggetti per verificare la generalizzazione.

Se la mia policy impara a raccogliere un cubo rosso, funzionerà su un cubo blu senza riaddestramento?

Dipende da quanto il modello di visione si basa sul colore. Se ha addestrato solo su cubi rossi, la policy potrebbe aver imparato che il rosso fa parte della definizione dell'oggetto e ignorare i cubi blu. Per verificare, posizioni un cubo blu nello stesso punto ed esegua la policy. Se raggiunge correttamente il cubo ma sbaglia la presa, ha generalizzato. Se non si muove affatto verso il cubo, ha imparato il colore come caratteristica. Per rimediare, registri un dataset multicolore: 30 episodi con colori casuali del set di training props.