Etapa 6: implantação do modelo (Linux)

Esta etapa carrega a política treinada para que o robô execute a tarefa de forma autônoma e grava vídeos de avaliação para verificar o resultado. É a conclusão de todo o fluxo e também o momento decisivo para aferir o resultado do treinamento.

---

Pré-requisitos

• Etapa 5: Treinamento do modelo concluída

• O treinamento gerou outputs/train/soarm_amazing_hand_pick/checkpoints/last/pretrained_model/

• Índices das câmeras registrados

---

Passo 1: Confirmar os arquivos do modelo

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

Deve conter arquivos de modelo como model.safetensors.

⚠️ Nota (caminho do modelo): --policy.path deve apontar para o diretório pretrained_model (com configuração + pesos), e não para o diretório raiz do checkpoint.

---

Passo 2: Implantar e avaliar

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

Substitua <follower_arm_port> / <hand_port> pelos caminhos reais; e o index_or_path das câmeras pelo índice das suas câmeras.

💡 Nota: usa-se lerobot-rollout mas sem adicionar ****--teleop.type; a política controla o robô de forma autônoma (substituindo a teleoperação manual). Os dados são salvos como conjunto de avaliação. --dataset.root / --dataset.push_to_hub=false são iguais aos da Etapa 4; gravação totalmente local, sem necessidade de login no HF.

---

Operações de avaliação

1. Reponha o robô + a mão na posição inicial

2. Pressione Enter para começar: a política executa a tarefa de forma autônoma

3. Observe se a garra pega com sucesso (pressione Enter ao fim de cada episódio para continuar)

4. Repita por num_episodes episódios

Métrica de avaliação: taxa de sucesso = episódios com sucesso / total de episódios

⚠️ Nota 1 (consistência da reposição): comece cada episódio na mesma posição inicial, caso contrário a generalização da política falha e a taxa de sucesso fica artificialmente baixa.

⚠️ Nota 2 (segurança): na primeira execução autônoma, recomenda-se segurar com a mão/observar em velocidade lenta para confirmar que os movimentos da política são razoáveis. A política pode executar movimentos inesperados.

⚠️ Nota 3 (expectativa de taxa de sucesso): o ACT normalmente atinge 50-80% de taxa de sucesso com 20 episódios de dados. Se ficar abaixo do esperado, volte atrás para gravar mais dados ou ajuste o número de passos de treinamento.

⚠️ Nota 4 (ambiente sem interface gráfica): --display_data=true requer um servidor de exibição; em ambiente sem GUI, remova esse parâmetro (a avaliação continua a ocorrer, apenas sem exibição em tempo real).

---

Otimização iterativa

Se a taxa de sucesso da avaliação não for satisfatória, ajuste por ordem de prioridade:

Prioridade	Item de otimização	Ação
1	Gravar mais dados de alta qualidade	Volte à Etapa 4 e grave 20-30 episódios adicionais mais consistentes
2	Aumentar o número de passos de treinamento	Volte à Etapa 5, --steps=100000
3	Verificar a consistência da posição inicial	Repor rigorosamente a posição em cada episódio da avaliação
4	Ajustar a descrição da tarefa	Garanta que single_task corresponde à tarefa

---

Até aqui conclui-se o ciclo completo do SO-ARM101 + AmazingHand: calibração → teleoperação → coleta → treinamento → implantação.

---

Resolução de problemas

Sintoma	Causa	Solução
Falha ao carregar o modelo	Caminho errado/incompleto	Confirme que --policy.path aponta para o diretório pretrained_model
A política não se move	Câmera/observação incorretas	Confirme que os índices das câmeras são iguais aos do treinamento; verifique as permissões de /dev/video*
A política se move de forma aleatória	Posição inicial inconsistente/dados ruins	Reponha rigorosamente; grave mais dados
Comportamento diferente do treinamento	Diferenças de ambiente	Confirme que câmeras, iluminação e posição dos objetos são iguais aos da gravação

Produtos relacionados

Kit desenvolvedor SO-ARM101→Mão dexterous de 4 dedos AmazingHand→