Skip to main content
Version: 6.0.0 (Latest)

Alicia模仿学习系统介绍

1. 数据采集系统​

1.1 相关库安装​

克隆灵动Python SDK库

有线遥操作套件：

git clone https://github.com/Synria-Robotics/Alicia-D-SDK.git
cd Alicia-D-SDK

安装依赖

pip install pyserial
conda install -c conda-forge python-orocos-kdl
pip install -r requirements.txt

硬件连接

1.2 数据读取​

连接好机械臂后，在终端运行以下代码：

cd ~/Alicia-D-SDK/examples
python3 04_demo_read_state.py

若成功安装及配置，在终端可看到持续输出的机械臂关节角度、夹爪角度和按钮状态。按 Ctrl+C 退出程序。

以下是示例输出：

 [Alicia-D-SDK:MODULE] [session] 开始构建默认会话
 [Alicia-D-SDK:INFO] [session] 初始化 AliciaFollower 模型
 [Alicia-D-SDK:INFO] [session] 初始化 IK 控制器
 [Alicia-D-SDK:INFO] [session] 初始化机械臂控制器 (port='/dev/ttyUSB0', baudrate=1000000)
 [Alicia-D-SDK:INFO] 初始化串口通信模块: 端口=/dev/ttyUSB0, 波特率=1000000
 [Alicia-D-SDK:INFO] 调试模式: 禁用
 [Alicia-D-SDK:INFO] 初始化数据解析模块
 [Alicia-D-SDK:INFO] 初始化机械臂控制模块
 [Alicia-D-SDK:INFO] 调试模式: 禁用
 [Alicia-D-SDK:INFO] [session] 初始化执行器
 [Alicia-D-SDK:INFO] [session] 正在连接机械臂
 [Alicia-D-SDK:INFO] 使用指定的端口: /dev/ttyUSB0
 [Alicia-D-SDK:INFO] 正在连接端口: /dev/ttyUSB0
 [Alicia-D-SDK:INFO] 串口连接成功
 [Alicia-D-SDK:INFO] 状态更新线程开始运行
 [Alicia-D-SDK:INFO] 状态更新线程已启动
 [Alicia-D-SDK:INFO] [session] 会话创建成功
 [Alicia-D-SDK:MODULE] [print_state] 开始打印机械臂信息
 [Alicia-D-SDK:INFO] [print_state] 关节角度（单位：弧度）: [-0.02, 0.557, -0.753, 0.032, -0.13, 0.08]
 [Alicia-D-SDK:INFO] [print_state] 机械臂位置: [0.108, -0.002, 0.014]
 [Alicia-D-SDK:INFO] [print_state] 机械臂四元角: [-0.044, 0.973, -0.017, 0.227]
 [Alicia-D-SDK:INFO] [print_state] 夹爪角度（单位：弧度）: 0.0
 [Alicia-D-SDK:MODULE] [print_state] 开启持续状态打印，按 Enter 停止

1.3 lerobot格式数据采集​

参照 https://github.com/Synria-Robotics/lerobot/tree/v5.5.0

请根据README.md说明配置相应的相机参数和机械臂端口。

2. 模仿学习算法示例​

简介

Action Chunking with Transformers (ACT) 是一种模仿学习策略，它使用 Transformer 网络来处理观测序列，并预测未来动作的“块 (chunks)”。与逐帧预测动作的策略不同，ACT 一次性预测多个时间步的动作，这有助于学习时间上更连贯的行为，并可能提高推理效率。

一、准备工作

  1. 数据集 (为 alicia_d准备):

    • 确保已通过 lerobot/scripts/control_robot.py 为 alicia_d 机器人采集了专家演示数据。

    • 假设数据集信息:

      • 本地仓库 ID: local/alicia_d_act_dataset

      • 数据集根目录: data/alicia_d_act_episodes/alicia_d_act_dataset

  2. 环境:

    • LeRobot 框架及其依赖已正确安装。

    • 终端可以访问 LeRobot 的脚本。

    • alicia_d 机器人的 LeRobot 接口已配置并可用。

二、ACT 训练 (使用 train.py 为alicia_d)

python lerobot/scripts/train.py \
  --dataset.repo_id local/alicia_d_act_dataset \
  --dataset.root data/alicia_d_act_episodes/alicia_d_act_dataset \
  --policy.type act \
  --output_dir outputs/train/act_alicia_d_model \

关键训练参数说明 (针对 alicia_d):

  • --dataset.repo_id: alicia_d 数据集的本地标识符。

  • --dataset.root: alicia_d 数据集文件所在的根目录。

  • --policy.type act: 必需，指定使用 ACT 策略。

  • --output_dir: alicia_d ACT 模型训练输出的保存目录。

三、ACT 推理/评估 (使用 control_robot.py控制 alicia_d)

此脚本用于在 alicia_d 机器人上运行训练好的 ACT 策略。

进入训练结果 /path_to_training_result/checkpoints/last/pretrained_model/config.json 确保首行已添加训练类型

    "type": "act",

参考examples/dp_inference.py修改对应参数验证训练结果

Diffusion Policy训练步骤与ACT类似，区别主要在于数据集长度，训练时间的不同，此外将policy.type 改为dp即可。