6단계: 모델 배포 (Windows)
본 단계에서는 학습된 정책을 로드하여 로봇이 스스로 작업을 수행하게 하고, 평가 영상을 기록하여 효과를 검증합니다. 이것은 전체 흐름의 마무리이며, 학습 성과를 확인하는 핵심이기도 합니다.
사전 조건
단계 5: 모델 학습을 완료함
학습으로
outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model/가 생성됨카메라 인덱스를 기록함
단계 1: 모델 파일 확인
# 모델 디렉터리 존재 확인
dir outputs\train\soarm_amazing_hand_pick\checkpoints\last\pretrained_modelmodel.safetensors 등의 모델 파일이 포함되어 있어야 합니다.
⚠️ 주의(모델 경로)：
--policy.path는pretrained_model디렉터리(설정 + 가중치 포함)를 가리켜야 하며, checkpoint 루트 디렉터리가 아닙니다.
단계 2: 배포 및 평가
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
<follower_arm_com>/<hand_com>를 실제 COM 번호로 교체합니다; 카메라index_or_path를 사용자의 카메라 인덱스로 교체합니다.
💡 설명：
lerobot-rollout를 사용하지만추가하지 않음 ****--teleop.type，정책이 로봇을 자율적으로 제어합니다(수동 원격 조작 대체). 데이터는 평가 세트로 저장됩니다.--dataset.root/--dataset.push_to_hub=false는 단계 4와 일치하며, 순수 로컬 저장이라 HF 로그인이 필요 없습니다.
평가 조작
로봇 + 핸드를 시작 위치로 리셋
Enter를 눌러 시작: 정책이 자율적으로 작업을 수행합니다
성공적으로 집었는지 관찰합니다(각 에피소드 종료 시 Enter를 눌러 계속)
num_episodes회 반복
평가 지표：성공률 = 성공 에피소드 수 / 전체 에피소드 수
⚠️ 주의 1(리셋 일관성)：각 에피소드는 동일한 시작 위치에서 시작합니다. 그렇지 않으면 정책의 일반화가 실패하여 성공률이 실제보다 낮게 나옵니다.
⚠️ 주의 2(안전)：최초 자율 실행은 손으로 받치며/저속으로 관찰하여 정책 동작이 합리적인지 확인하는 것을 권장합니다. 정책이 예상치 못한 동작을 할 수 있습니다.
⚠️ 주의 3(성공률 예상)：ACT는 20 에피소드 데이터에서 보통 50-80% 성공률을 보입니다. 예상보다 낮으면 돌아가서 데이터를 추가 기록하거나 학습 스텝 수를 조정하세요.
반복 최적화
평가 성공률이 만족스럽지 않으면 우선순위에 따라 조정합니다:
| 우선순위 | 최적화 항목 | 조작 |
|---|---|---|
| 1 | 고품질 데이터 추가 기록 | 단계 4로 돌아가 더 일관된 데이터를 20-30 에피소드 추가 기록 |
| 2 | 학습 스텝 수 증가 | 단계 5로 돌아가 --steps=100000 |
| 3 | 시작 위치 일치 확인 | 평가 시 각 에피소드를 엄격히 리셋 |
| 4 | 작업 설명 조정 | single_task가 작업과 일치하는지 확인 |
이로써 SO-ARM101 + AmazingHand의 완전한 폐루프가 완성됩니다: 캘리브레이션 → 원격 조작 → 수집 → 학습 → 배포.
문제 해결
| 현상 | 원인 | 해결 |
|---|---|---|
| 모델 로드 실패 | 경로 오류/불완전 | --policy.path가 pretrained_model 디렉터리를 가리키는지 확인 |
| 정책이 움직이지 않음 | 카메라/관측 오류 | 카메라 인덱스가 학습 시와 일치하는지 확인; --display_data 화면 확인 |
| 정책이 제멋대로 움직임 | 시작 위치 불일치/데이터 품질 저하 | 엄격히 리셋; 데이터 추가 기록 |
| 학습 시와 성능이 다름 | 환경 차이 | 카메라, 조명, 물체 위치가 기록 시와 일치하는지 확인 |