Stufe 6: Modell-Deployment (Windows)

In dieser Phase laden Sie die trainierte Policy, lassen den Roboter Aufgaben autonom ausführen und zeichnen ein Auswertungsvideo auf, um die Wirkung zu überprüfen. Dies ist der Abschluss des gesamten Ablaufs und zugleich der entscheidende Test der Trainingsergebnisse.

---

Voraussetzungen

• Phase 5: Modelltraining abgeschlossen

• Das Training hat outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model/ erzeugt

• Die Kamera-Indizes sind notiert

---

Schritt 1: Modelldateien bestätigen

# Bestätigen, dass das Modellverzeichnis existiert
dir outputs\train\soarm_amazing_hand_pick\checkpoints\last\pretrained_model

Es sollte Modelldateien wie model.safetensors enthalten.

⚠️ Hinweis (Modellpfad): --policy.path muss auf das Verzeichnis pretrained_model zeigen (enthält Konfiguration + Gewichte), nicht auf das Stammverzeichnis des checkpoint.

---

Schritt 2: Deployment und Evaluierung

lerobot-rollout `
  --strategy.type=episodic `
  --robot.type=so101_amazing_hand `
  --robot.port=<follower_arm_com> `
  --robot.hand_port=<hand_com> `
  --robot.id=amazing_hand_follower `
  --robot.cameras='{
    wrist: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},
    top: {type: opencv, index_or_path: 1, width: 640, height: 480, fps: 30, fourcc: "MJPG"}
  }' `
  --policy.path=outputs\train\soarm_amazing_hand_pick\checkpoints\last\pretrained_model `
  --dataset.repo_id=rollout_soarm_amazing_hand_pick_eval `
  --dataset.root=D:\lerobot_data `
  --dataset.push_to_hub=false `
  --dataset.num_episodes=10 `
  --dataset.single_task="Pick up the cube with the dexterous hand" `
  --display_data=true

Ersetzen Sie <follower_arm_com> / <hand_com> durch die tatsächlichen COM-Nummern; ersetzen Sie index_or_path der Kameras durch Ihre Kamera-Indizes.

💡 Erläuterung: Verwenden Sie lerobot-rollout, aber ohne ****--teleop.type; die Policy steuert den Roboter dann autonom (anstelle manueller Teleoperation). Die Daten werden als Auswertungssatz gespeichert. --dataset.root / --dataset.push_to_hub=false stimmen mit Phase 4 überein; reine lokale Speicherung ohne HF-Anmeldung.

---

Auswertungsschritte

1. Setzen Sie den Roboter + die Hand auf die Startposition zurück

2. Drücken Sie Enter zum Starten: Die Policy führt die Aufgabe autonom aus

3. Beobachten Sie, ob erfolgreich gegriffen wurde (drücken Sie am Ende jeder Episode Enter, um fortzufahren)

4. Wiederholen Sie dies für num_episodes Episoden

Auswertungskennzahl: Erfolgsrate = Anzahl erfolgreicher Episoden / Gesamtzahl der Episoden

⚠️ Hinweis 1 (Konsistenz des Resets): Beginnen Sie jede Episode von der gleichen Startposition, andernfalls schlägt die Generalisierung der Policy fehl und die Erfolgsrate fällt künstlich niedrig aus.

⚠️ Hinweis 2 (Sicherheit): Beim ersten autonomen Lauf empfiehlt es sich, mit der Hand abzustützen / langsam zu beobachten, um sicherzustellen, dass die Bewegungen der Policy sinnvoll sind. Die Policy kann unerwartete Bewegungen ausführen.

⚠️ Hinweis 3 (erwartete Erfolgsrate): ACT erreicht mit 20 Episoden Daten in der Regel eine Erfolgsrate von 50-80%. Wenn sie niedriger als erwartet ausfällt, zeichnen Sie zusätzliche Daten auf oder passen Sie die Anzahl der Trainingsschritte an.

---

Iterative Optimierung

Wenn die Auswertungs-Erfolgsrate nicht zufriedenstellend ist, passen Sie nach Priorität an:

Priorität	Optimierungspunkt	Aktion
1	Hochwertige Daten nachträglich aufzeichnen	Zurück zu Phase 4, zeichnen Sie 20-30 zusätzliche, konsistentere Episoden auf
2	Anzahl der Trainingsschritte erhöhen	Zurück zu Phase 5, --steps=100000
3	Konsistenz der Startposition prüfen	Setzen Sie bei der Auswertung jede Episode strikt zurück
4	Aufgabenbeschreibung anpassen	Stellen Sie sicher, dass single_task mit der Aufgabe übereinstimmt

---

Damit ist der vollständige Kreislauf von SO-ARM101 + AmazingHand abgeschlossen: Kalibrierung → Teleoperation → Erfassung → Training → Deployment.

---

Fehlerbehebung

Symptom	Ursache	Lösung
Laden des Modells fehlgeschlagen	Falscher/unvollständiger Pfad	Stellen Sie sicher, dass --policy.path auf das Verzeichnis pretrained_model zeigt
Policy bewegt sich nicht	Kamera/Beobachtung fehlerhaft	Stellen Sie sicher, dass die Kamera-Indizes mit denen beim Training übereinstimmen; prüfen Sie das Bild von --display_data
Policy bewegt sich unkontrolliert	Startposition inkonsistent / schlechte Daten	Strikt zurücksetzen; Daten nachträglich aufzeichnen
Verhalten weicht vom Training ab	Umgebungsunterschiede	Stellen Sie sicher, dass Kameras, Beleuchtung und Objektpositionen mit der Aufnahme übereinstimmen

Verwandte Produkte

SO-ARM101 Entwickler-Kit→AmazingHand 4-Finger-Greifhand→