Etapa 6: despliegue del modelo (Linux)

En esta fase se carga la política ya entrenada para que el robot ejecute la tarea de forma autónoma y se graba un vídeo de evaluación para verificar el efecto. Es el cierre de todo el flujo y también la clave para comprobar los resultados del entrenamiento.

---

Requisitos previos

• Haber completado la Fase 5: Entrenamiento del modelo

• Salida del entrenamiento outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model/

• Índice de la cámara registrado

---

Paso 1: Confirmar los archivos del modelo

ls outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model

Debe contener archivos del modelo como model.safetensors.

⚠️ Nota (ruta del modelo): --policy.path debe apuntar al directorio pretrained_model (que contiene la configuración + los pesos), no al directorio raíz del checkpoint.

---

Paso 2: Despliegue y evaluación

lerobot-rollout \
  --strategy.type=episodic \
  --robot.type=so101_amazing_hand \
  --robot.port=<follower_arm_port> \
  --robot.hand_port=<hand_port> \
  --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=~/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

Sustituye <follower_arm_port> / <hand_port> por las rutas reales; y index_or_path de las cámaras por el índice de tus cámaras.

💡 Descripción: se usa lerobot-rollout pero sin añadir ****--teleop.type; la política controlará el robot de forma autónoma (en lugar de la teleoperación manual). Los datos se guardan como conjunto de evaluación. --dataset.root / --dataset.push_to_hub=false son iguales que en la fase 4; el guardado puramente local no requiere iniciar sesión en HF.

---

Operación de evaluación

1. Lleva el robot + la mano a la posición inicial

2. Pulsa Enter para empezar: la política ejecuta la tarea de forma autónoma

3. Observa si el agarre se realiza con éxito (al terminar cada ronda, pulsa Enter para continuar)

4. Repite num_episodes rondas

Métrica de evaluación: tasa de éxito = rondas exitosas / rondas totales

⚠️ Nota 1 (coherencia de la reposición): empieza cada ronda desde la misma posición inicial; de lo contrario la política fallará en la generalización y la tasa de éxito saldrá artificialmente baja.

⚠️ Nota 2 (seguridad): en la primera ejecución autónoma se recomienda observar sujetando el robot/velocidad lenta para confirmar que los movimientos de la política son razonables. La política puede realizar movimientos inesperados.

⚠️ Nota 3 (tasa de éxito esperada): ACT suele alcanzar una tasa de éxito del 50-80% con 20 rondas de datos. Si es inferior a lo esperado, vuelve atrás para grabar más datos o ajusta el número de pasos de entrenamiento.

⚠️ Nota 4 (entorno sin cabeza): --display_data=true requiere un servidor de visualización; sin GUI, quita este parámetro (la evaluación continúa, solo que no se muestra en tiempo real).

---

Optimización iterativa

Si la tasa de éxito de la evaluación no es satisfactoria, ajusta por orden de prioridad:

Prioridad	Elemento de optimización	Operación
1	Grabar datos de alta calidad adicionales	Vuelve a la Fase 4 y graba 20-30 rondas más de datos más coherentes
2	Aumentar el número de pasos de entrenamiento	Vuelve a la Fase 5, --steps=100000
3	Comprobar la coherencia de la posición inicial	Reponer estrictamente en cada ronda durante la evaluación
4	Ajustar la descripción de la tarea	Asegúrate de que single_task coincide con la tarea

---

Con esto se completa el ciclo completo de SO-ARM101 + AmazingHand: calibración → teleoperación → recolección → entrenamiento → despliegue.

---

Solución de problemas

Síntoma	Causa	Solución
Fallo al cargar el modelo	Ruta incorrecta/incompleta	Confirma que --policy.path apunta al directorio pretrained_model
La política no se mueve	Error de cámara/observación	Confirma que el índice de la cámara es igual que al entrenar; comprueba los permisos de /dev/video*
La política se mueve de forma errática	Posición inicial incoherente/datos deficientes	Reponer estrictamente; grabar datos adicionales
El rendimiento no coincide con el del entrenamiento	Diferencias del entorno	Confirma que la cámara, la iluminación y la posición de los objetos coinciden con los de la grabación

Productos relacionados

Kit desarrollador SO-ARM101→Mano diestra 4 dedos AmazingHand→