SO-ARM101 양팔(듀얼 팔로워 암) 튜토리얼

스토어에서 구매

본 가이드는 LeRobot으로 양팔 SO-ARM 로봇 시스템을 학습시키는 전체 흐름을 소개합니다: 하드웨어 연결, 양팔 캘리브레이션, 양팔 텔레오퍼레이션, 데이터셋 녹화와 관리, ACT 정책 학습 및 실제 로봇 배포를 포함합니다. 본 가이드대로 진행하면 리더 암 두 개와 팔로워 암 두 개로 시연 데이터를 수집하고, 모방 학습 정책을 학습시켜 실제 로봇 암에서 실행할 수 있습니다.

먼저 다음과 같이 케이블을 연결합니다:

역할	포트
왼쪽 팔로워 암	`/dev/ttyACM0`
오른쪽 팔로워 암	`/dev/ttyACM1`
왼쪽 리더 암	`/dev/ttyACM2`
오른쪽 리더 암	`/dev/ttyACM3`

팔로워 암 유형은 so101_follower, 리더 암 유형은 so101_leader입니다(LeRobot에서 so100_leader와 so101_leader는 같은 구현을 공유).

사전 준비

의존성 설치

환경 설치는 SO-ARM101 사용 튜토리얼을 참조하세요.

USB 권한

bash

sudo chmod 666 /dev/ttyACM0 /dev/ttyACM1 /dev/ttyACM2 /dev/ttyACM3

1. 캘리브레이션(핵심 단계)

1.1 왼쪽 팔로워 암 캘리브레이션

bash

lerobot-calibrate \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=my_so101_bi_follower_left

1.2 오른쪽 팔로워 암 캘리브레이션

bash

lerobot-calibrate \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower_right

1.3 왼쪽 리더 암 캘리브레이션

bash

lerobot-calibrate \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM2 \
  --teleop.id=my_so101_bi_leader_left

1.4 오른쪽 리더 암 캘리브레이션

bash

lerobot-calibrate \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader_right

캘리브레이션이 완료되면 파일은 다음 위치에 저장됩니다:

text

~/.cache/huggingface/lerobot/calibration/robots/so_follower/my_so101_bi_follower_left.json
~/.cache/huggingface/lerobot/calibration/robots/so_follower/my_so101_bi_follower_right.json
~/.cache/huggingface/lerobot/calibration/teleoperators/so_leader/my_so101_bi_leader_left.json
~/.cache/huggingface/lerobot/calibration/teleoperators/so_leader/my_so101_bi_leader_right.json

디렉터리 이름 설명: so101_follower과 so100_follower, so101_leader와 so100_leader는 같은 구현을 공유하므로 디렉터리는 so_follower / so_leader로 통일됩니다; 리더 암은 teleoperator에 속하므로 캘리브레이션 파일이 robots/가 아니라 teleoperators/ 아래에 있습니다.

(선택) 이전에 다른 ID로 캘리브레이션한 경우

예를 들어 이전에 my_awesome_follower_arm1, my_awesome_follower_arm2 등을 사용했다면 캘리브레이션 파일을 복사할 수 있습니다:

bash

CAL_DIR=~/.cache/huggingface/lerobot/calibration

cp $CAL_DIR/robots/so_follower/my_awesome_follower_arm1.json \
   $CAL_DIR/robots/so_follower/my_so101_bi_follower_left.json

cp $CAL_DIR/robots/so_follower/my_awesome_follower_arm2.json \
   $CAL_DIR/robots/so_follower/my_so101_bi_follower_right.json

cp $CAL_DIR/teleoperators/so_leader/my_awesome_leader_arm3.json \
   $CAL_DIR/teleoperators/so_leader/my_so101_bi_leader_left.json

cp $CAL_DIR/teleoperators/so_leader/my_awesome_leader_arm4.json \
   $CAL_DIR/teleoperators/so_leader/my_so101_bi_leader_right.json

2. 양팔 텔레오퍼레이션

2.1 카메라 없이

bash

lerobot-teleoperate \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --teleop.type=bi_so_leader \
  --teleop.left_arm_config.port=/dev/ttyACM2 \
  --teleop.right_arm_config.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader \
  --display_data=true

2.2 카메라 포함

lerobot-find-cameras opencv로 카메라 인덱스를 확인할 수 있으며, 카메라는 직접 추가하거나 줄일 수 있습니다.

bash

lerobot-teleoperate \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --teleop.type=bi_so_leader \
  --teleop.left_arm_config.port=/dev/ttyACM2 \
  --teleop.right_arm_config.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader \
  --display_data=true

안전 수칙

주변 환경에 주의하여 팔로워 암의 충돌을 피하세요.

3. 데이터셋 녹화

3.1 로컬에 저장(Hub에 업로드하지 않음)

--dataset.root(데이터가 기록될 디렉터리)와 --dataset.push_to_hub=false를 추가하고, --dataset.no_stamp=true를 넣어 데이터셋 이름을 안정적으로 유지하세요(그렇지 않으면 repo_id에 타임스탬프가 자동으로 추가되어 이후 이어서 녹화/재생/학습 시 찾을 수 없게 됩니다).

참고: repo_id에는 /를 포함하는 것을 권장합니다(사용자이름/데이터셋이름 형태), 로컬 데이터셋은 실제로 업로드되지 않습니다.

bash

lerobot-record \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --teleop.type=bi_so_leader \
  --teleop.left_arm_config.port=/dev/ttyACM2 \
  --teleop.right_arm_config.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader \
  --dataset.repo_id=juxi/bi_so101_task \
  --dataset.root=./datasets/bi_so101_task \
  --dataset.push_to_hub=false \
  --dataset.no_stamp=true \
  --dataset.single_task="Pick the cube with left arm and hand it to right arm" \
  --dataset.num_episodes=50 \
  --dataset.fps=30 \
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=10 \
  --dataset.video=true \
  --display_data=true

비디오 인코딩은 기본값이 이미 libsvtav1이라 지정할 필요가 없습니다; 사용자 정의가 필요하면 --dataset.rgb_encoder.vcodec=h264 같은 중첩 매개변수를 사용하세요.

데이터는 ./datasets/bi_so101_task/에 저장되며 구조는 다음과 같습니다:

text

├── meta/
│   ├── info.json         # 데이터셋 정보(fps, 특성 형상 등)
│   ├── episodes/         # 에피소드별 메타데이터(chunk-000/...)
│   ├── stats.json        # 각 특성의 정규화 통계
│   └── tasks.parquet     # 작업 텍스트 → task_index
├── data/                 # 프레임별 특성 데이터(chunk-*.parquet)
└── videos/               # 카메라마다 하위 디렉터리 하나(chunk-*.mp4)

3.2 Hugging Face Hub에 업로드

자동 업로드를 원하면 HF_USER를 유지하고 root와 push_to_hub=false를 제거하세요(기본적으로 업로드됩니다). 포트와 카메라 인덱스는 배선 표와 일치하게 유지하세요:

bash

export HF_USER=your_hf_username

lerobot-record \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --teleop.type=bi_so_leader \
  --teleop.left_arm_config.port=/dev/ttyACM2 \
  --teleop.right_arm_config.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader \
  --dataset.repo_id=${HF_USER}/bi_so101_task \
  --dataset.no_stamp=true \
  --dataset.single_task="Pick the cube with left arm and hand it to right arm" \
  --dataset.num_episodes=50 \
  --dataset.fps=30 \
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=10 \
  --dataset.video=true \
  --display_data=true

업로드된 Hub 저장소 이름은 ${HF_USER}/bi_so101_task이며, 아래 4.2에서 Hub로 학습할 때 사용하는 repo_id와 일치합니다. 로컬 사본은 먼저 ~/.cache/huggingface/lerobot/${HF_USER}/bi_so101_task/에 저장됩니다.

3.3 계속 수집(이어서 녹화)

녹화 도중 예기치 않게 종료되었거나(예: 우클릭으로 종료할 때 reset 단계에 있었던 경우), 여러 번에 나누어 수집을 완료하고 싶다면 --resume을 사용해 같은 데이터셋에 에피소드를 계속 추가할 수 있습니다.

참고:

--resume=true를 반드시 추가해야 합니다. 그렇지 않으면 LeRobotDataset.create()가 디렉터리가 이미 존재한다는 오류를 냅니다.
이어서 녹화하는 명령의 --dataset.root와 --dataset.repo_id는 최초 녹화(3.1)와 완전히 일치해야 합니다(resume은 명시적 root를 강제 요구).
--dataset.num_episodes는 이번에 몇 조를 녹화할지를 의미하며, 전체 목표가 아닙니다. 예를 들어 15조를 이미 녹화했고 50조를 채우고 싶다면 35라고 씁니다.
종료할 때는 가능한 한 에피소드 녹화 중이거나 자연스럽게 끝난 뒤에 종료하여, "Reset the environment" 단계에서 종료하지 마세요(빈 에피소드 저장 실패를 유발).

bash

lerobot-record \
  --resume=true \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --teleop.type=bi_so_leader \
  --teleop.left_arm_config.port=/dev/ttyACM2 \
  --teleop.right_arm_config.port=/dev/ttyACM3 \
  --teleop.id=my_so101_bi_leader \
  --dataset.repo_id=juxi/bi_so101_task \
  --dataset.root=./datasets/bi_so101_task \
  --dataset.push_to_hub=false \
  --dataset.no_stamp=true \
  --dataset.single_task="Pick the cube with left arm and hand it to right arm" \
  --dataset.num_episodes=35 \
  --dataset.fps=30 \
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=10 \
  --dataset.video=true \
  --display_data=true

3.4 에피소드 재생과 삭제

지정 에피소드 재생

bash

lerobot-replay \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --dataset.repo_id=juxi/bi_so101_task \
  --dataset.root=./datasets/bi_so101_task \
  --dataset.episode=24

episode는 0-based 인덱스이며, 24는 25번째 에피소드를 의미합니다.

지정 에피소드 삭제

bash

python -m lerobot.scripts.lerobot_edit_dataset \
  --repo_id=juxi/bi_so101_task \
  --root=./datasets/bi_so101_task \
  --operation.type=delete_episodes \
  --operation.episode_indices="[24]"

삭제하면 데이터셋이 제자리에서 다시 쓰이고, 원본 데이터는 ./datasets/bi_so101_task_old/로 백업됩니다. 새 데이터셋에 문제가 없는지 확인한 뒤 백업을 수동으로 삭제할 수 있습니다:

bash

rm -rf ./datasets/bi_so101_task_old

전체 데이터셋 삭제

bash

rm -rf ./datasets/bi_so101_task

4. ACT 학습

4.1 로컬 데이터셋에서 학습

bash

lerobot-train \
  --dataset.repo_id=juxi/bi_so101_task \
  --dataset.root=./datasets/bi_so101_task \
  --policy.type=act \
  --policy.device=cuda \
  --steps=60000 \
  --output_dir=outputs/train/act_bi_so101 \
  --wandb.enable=false \
  --policy.push_to_hub=false

--dataset.root는 3.1에서 녹화한 데이터셋 디렉터리를 가리킵니다(repo_id는 녹화 시와 일치해야 함). --output_dir 디렉터리가 이미 존재하면 곧바로 FileExistsError가 나므로, 새로운 출력 디렉터리로 바꾸거나 --resume=true로 이어서 학습하세요.

4.2 Hugging Face Hub에서 학습

bash

export HF_USER=your_hf_username

lerobot-train \
  --dataset.repo_id=${HF_USER}/bi_so101_task \
  --policy.type=act \
  --policy.device=cuda \
  --steps=100000 \
  --output_dir=outputs/train/act_bi_so101 \
  --wandb.enable=false \
  --policy.push_to_hub=false

위에서는 ACT의 기본 매개변수(chunk_size=100, dim_model=512 등)를 사용했습니다.

repo_id는 3.2에서 업로드한 저장소 이름과 일치해야 합니다(3.2에서 --dataset.no_stamp=true를 추가했으므로 저장소 이름은 ${HF_USER}/bi_so101_task로 고정). 학습 시에는 --dataset.root가 필요 없으며, Hub에서 자동으로 다운로드합니다.

5. 실제 로봇 배포

주의: lerobot-record는 시연 데이터 수집에만 사용합니다. 학습된 정책 배포에는 lerobot-rollout을 사용하세요——현재 버전의 lerobot-record는 --policy.path를 더 이상 받지 않고, eval_ 접두사가 붙은 데이터셋 이름도 거부합니다.

5.1 현장 평가(데이터 녹화 없음)

bash

lerobot-rollout \
  --strategy.type=base \
  --policy.path=outputs/train/act_bi_so101/checkpoints/last/pretrained_model \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --task="Pick the cube with left arm and hand it to right arm" \
  --duration=60 \
  --display_data=true

--duration은 실행 초 수이며, 0은 시간 제한 없음을 의미합니다.
중간에 개입/중지하려면 --interactive=true를 추가하고 터미널에서 /stop, /reset 등의 명령으로 제어하세요.

5.2 평가와 데이터 녹화(로컬)

episodic 전략 사용(동작은 구버전 lerobot-record와 유사하게 에피소드 단위로 녹화하고 reset 단계 포함):

bash

lerobot-rollout \
  --strategy.type=episodic \
  --policy.path=outputs/train/act_bi_so101/checkpoints/last/pretrained_model \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --dataset.repo_id=juxi/rollout_bi_so101_task \
  --dataset.root=./datasets/rollout_bi_so101_task \
  --dataset.no_stamp=true \
  --dataset.num_episodes=10 \
  --dataset.single_task="Pick the cube with left arm and hand it to right arm" \
  --dataset.fps=30 \
  --display_data=true

배포 데이터셋 이름은 반드시 rollout_으로 시작해야 합니다(현재 버전의 강제 규칙). 로컬에 녹화할 때는 --dataset.root와 --dataset.no_stamp=true를 추가해 디렉터리 이름에 타임스탬프가 붙는 것을 피하는 것을 권장합니다.

5.3 평가 데이터를 Hugging Face Hub에 업로드

bash

export HF_USER=your_hf_username

lerobot-rollout \
  --strategy.type=episodic \
  --policy.path=outputs/train/act_bi_so101/checkpoints/last/pretrained_model \
  --robot.type=bi_so_follower \
  --robot.left_arm_config.port=/dev/ttyACM0 \
  --robot.right_arm_config.port=/dev/ttyACM1 \
  --robot.id=my_so101_bi_follower \
  --robot.left_arm_config.cameras='{
    left_wrist: {"type": "opencv", "index_or_path": 2, "width": 640, "height": 480, "fps": 30}
  }' \
  --robot.right_arm_config.cameras='{
    right_wrist: {"type": "opencv", "index_or_path": 4, "width": 640, "height": 480, "fps": 30}
  }' \
  --dataset.repo_id=${HF_USER}/rollout_bi_so101_task \
  --dataset.no_stamp=true \
  --dataset.num_episodes=10 \
  --dataset.single_task="Pick the cube with left arm and hand it to right arm" \
  --dataset.fps=30 \
  --display_data=true

6. 자주 묻는 질문

문제	원인	해결 방법
텔레오퍼레이션 시 재캘리브레이션 안내	`bi_so_follower`가 `_left` / `_right` 접미사의 캘리브레이션 파일을 찾지 못함	`_left` / `_right`가 붙은 ID로 다시 캘리브레이션하거나 기존 캘리브레이션 파일을 복사
리더 암을 끌 수 없음	leader 토크가 꺼지지 않음	다시 캘리브레이션하거나 모터 점검
이어서 수집할 때 디렉터리 존재 오류	`--resume=true`를 추가하지 않음	`lerobot-record` 명령에 `--resume=true` 추가
`--resume=true` 시 `root`를 요구하는 오류	이어서 녹화는 데이터셋 디렉터리를 명시적으로 지정해야 함	이어서 녹화 명령에 `--dataset.root=./datasets/bi_so101_task` 추가, 최초 녹화와 일치시킬 것
데이터셋 디렉터리 이름에 타임스탬프가 붙어 재생/학습이 찾지 못함	녹화 시 `no_stamp`를 설정하지 않아 `repo_id`에 타임스탬프가 자동 추가됨	녹화/이어서 녹화 시 `--dataset.no_stamp=true` 추가
`--dataset.vcodec=...` 매개변수 없음 오류	구버전 매개변수로, 현재 비디오 인코딩 매개변수가 중첩형으로 변경됨	`--dataset.rgb_encoder.vcodec=h264` 사용(기본값은 이미 `libsvtav1`)
배포 시 `lerobot-record`가 `--policy.path` / `eval_` 오류를 냄	현재 버전 `lerobot-record`에 정책 배포 기능이 없음	배포에는 `lerobot-rollout --strategy.type=episodic` 사용, 데이터셋 이름은 `rollout_`으로 시작
좌우 암이 뒤바뀜	포트 구성 오류	`left_arm_config.port`와 `right_arm_config.port`를 교환
학습 시 데이터셋을 찾지 못함	로컬 데이터셋에 `root`를 지정하지 않음	학습 시 `--dataset.root=./datasets/xxx` 추가
데이터셋이 자동 업로드됨	`push_to_hub=false`를 설정하지 않음	녹화 시 `--dataset.push_to_hub=false` 추가
종료 시 `You must add one or several frames before calling add_episode`	reset 단계에서 종료하여 현재 에피소드에 프레임이 없음	이미 녹화된 데이터에는 영향 없음, `--resume=true`로 계속 수집

멀티 보드 예제

I2C 통신

직렬 통신

ROS 예제

AI 비전 튜토리얼(11장)

SO-ARM101 양팔(듀얼 팔로워 암) 튜토리얼

사전 준비

의존성 설치

USB 권한

1. 캘리브레이션(핵심 단계)

1.1 왼쪽 팔로워 암 캘리브레이션

1.2 오른쪽 팔로워 암 캘리브레이션

1.3 왼쪽 리더 암 캘리브레이션

1.4 오른쪽 리더 암 캘리브레이션

(선택) 이전에 다른 ID로 캘리브레이션한 경우

2. 양팔 텔레오퍼레이션

2.1 카메라 없이

2.2 카메라 포함

안전 수칙

3. 데이터셋 녹화

3.1 로컬에 저장(Hub에 업로드하지 않음)

3.2 Hugging Face Hub에 업로드

3.3 계속 수집(이어서 녹화)

3.4 에피소드 재생과 삭제

지정 에피소드 재생

지정 에피소드 삭제

전체 데이터셋 삭제

4. ACT 학습

4.1 로컬 데이터셋에서 학습

4.2 Hugging Face Hub에서 학습

5. 실제 로봇 배포

5.1 현장 평가(데이터 녹화 없음)

5.2 평가와 데이터 녹화(로컬)

5.3 평가 데이터를 Hugging Face Hub에 업로드

6. 자주 묻는 질문

I2C 통신

직렬 통신

SO-ARM101 양팔(듀얼 팔로워 암) 튜토리얼 ​

사전 준비 ​

의존성 설치 ​

USB 권한 ​

1. 캘리브레이션(핵심 단계) ​

1.1 왼쪽 팔로워 암 캘리브레이션 ​

1.2 오른쪽 팔로워 암 캘리브레이션 ​

1.3 왼쪽 리더 암 캘리브레이션 ​

1.4 오른쪽 리더 암 캘리브레이션 ​

(선택) 이전에 다른 ID로 캘리브레이션한 경우 ​

2. 양팔 텔레오퍼레이션 ​

2.1 카메라 없이 ​

2.2 카메라 포함 ​

안전 수칙 ​

3. 데이터셋 녹화 ​

3.1 로컬에 저장(Hub에 업로드하지 않음) ​

3.2 Hugging Face Hub에 업로드 ​

3.3 계속 수집(이어서 녹화) ​

3.4 에피소드 재생과 삭제 ​

지정 에피소드 재생 ​

지정 에피소드 삭제 ​

전체 데이터셋 삭제 ​

4. ACT 학습 ​

4.1 로컬 데이터셋에서 학습 ​

4.2 Hugging Face Hub에서 학습 ​

5. 실제 로봇 배포 ​

5.1 현장 평가(데이터 녹화 없음) ​

5.2 평가와 데이터 녹화(로컬) ​

5.3 평가 데이터를 Hugging Face Hub에 업로드 ​

6. 자주 묻는 질문 ​

관련 제품

SO-ARM101 양팔(듀얼 팔로워 암) 튜토리얼

사전 준비

의존성 설치

USB 권한

1. 캘리브레이션(핵심 단계)

1.1 왼쪽 팔로워 암 캘리브레이션

1.2 오른쪽 팔로워 암 캘리브레이션

1.3 왼쪽 리더 암 캘리브레이션

1.4 오른쪽 리더 암 캘리브레이션

(선택) 이전에 다른 ID로 캘리브레이션한 경우

2. 양팔 텔레오퍼레이션

2.1 카메라 없이

2.2 카메라 포함

안전 수칙

3. 데이터셋 녹화

3.1 로컬에 저장(Hub에 업로드하지 않음)

3.2 Hugging Face Hub에 업로드

3.3 계속 수집(이어서 녹화)

3.4 에피소드 재생과 삭제

지정 에피소드 재생

지정 에피소드 삭제

전체 데이터셋 삭제

4. ACT 학습

4.1 로컬 데이터셋에서 학습

4.2 Hugging Face Hub에서 학습

5. 실제 로봇 배포

5.1 현장 평가(데이터 녹화 없음)

5.2 평가와 데이터 녹화(로컬)

5.3 평가 데이터를 Hugging Face Hub에 업로드

6. 자주 묻는 질문