Fase 6: deployment modello (Linux)

In questa fase si carica la politica addestrata per far eseguire il compito in autonomia al robot e si registra un video di valutazione per verificarne l'efficacia. È la conclusione dell'intero flusso e anche il momento chiave per verificare i risultati dell'addestramento.

---

Prerequisiti

• Aver completato la Fase 5: Addestramento del modello

• Output dell'addestramento outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model/

• Indice della telecamera registrato

---

Passo 1: Confermare i file del modello

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

Deve contenere file del modello come model.safetensors.

⚠️ Nota (percorso del modello): --policy.path deve puntare alla directory pretrained_model (che contiene la configurazione + i pesi), non alla directory radice del checkpoint.

---

Passo 2: Distribuzione e valutazione

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

Sostituisci <follower_arm_port> / <hand_port> con i percorsi reali; e index_or_path delle telecamere con l'indice delle tue telecamere.

💡 Descrizione: si usa lerobot-rollout ma senza aggiungere ****--teleop.type; la politica controllerà il robot in autonomia (al posto della teleoperazione manuale). I dati vengono salvati come set di valutazione. --dataset.root / --dataset.push_to_hub=false sono uguali a quelli della fase 4; il salvataggio puramente locale non richiede l'accesso a HF.

---

Operazioni di valutazione

1. Riporta il robot + la mano alla posizione iniziale

2. Premi Enter per iniziare: la politica esegue il compito in autonomia

3. Osserva se la presa riesce (alla fine di ogni round premi Enter per continuare)

4. Ripeti per num_episodes round

Metrica di valutazione: tasso di successo = round riusciti / round totali

⚠️ Nota 1 (coerenza del riposizionamento): inizia ogni round dalla stessa posizione iniziale; altrimenti la politica fallisce la generalizzazione e il tasso di successo risulta artificialmente basso.

⚠️ Nota 2 (sicurezza): alla prima esecuzione autonoma si consiglia di osservare tenendo il robot/andando piano per confermare che i movimenti della politica siano ragionevoli. La politica può compiere movimenti imprevisti.

⚠️ Nota 3 (tasso di successo atteso): ACT con 20 round di dati raggiunge di solito un tasso di successo del 50-80%. Se è inferiore al previsto, torna indietro per registrare altri dati o regola il numero di passi di addestramento.

⚠️ Nota 4 (ambiente headless): --display_data=true richiede un server di visualizzazione; senza GUI togli questo parametro (la valutazione prosegue comunque, solo senza visualizzazione in tempo reale).

---

Ottimizzazione iterativa

Se il tasso di successo della valutazione non è soddisfacente, regola in ordine di priorità:

Priorità	Voce di ottimizzazione	Operazione
1	Registrare dati aggiuntivi di alta qualità	Torna alla Fase 4 e registra 20-30 round di dati più coerenti
2	Aumentare i passi di addestramento	Torna alla Fase 5, --steps=100000
3	Controllare la coerenza della posizione iniziale	Riposiziona rigorosamente a ogni round durante la valutazione
4	Regolare la descrizione del compito	Assicurati che single_task corrisponda al compito

---

Con questo si completa il ciclo completo di SO-ARM101 + AmazingHand: calibrazione → teleoperazione → acquisizione → addestramento → distribuzione.

---

Risoluzione dei problemi

Sintomo	Causa	Soluzione
Caricamento del modello non riuscito	Percorso errato/incompleto	Verifica che --policy.path punti alla directory pretrained_model
La politica non si muove	Errore di telecamera/osservazione	Verifica che l'indice della telecamera sia uguale a quello dell'addestramento; controlla i permessi di /dev/video*
La politica si muove in modo errato	Posizione iniziale incoerente/dati scadenti	Riposiziona rigorosamente; registra dati aggiuntivi
Prestazioni diverse da quelle dell'addestramento	Differenze ambientali	Verifica che telecamera, illuminazione e posizione degli oggetti siano uguali a quelle della registrazione

Prodotti correlati

Kit sviluppatore SO-ARM101→Mano dexterous 4 dita AmazingHand→