| resume: true | |
| device: cuda | |
| use_amp: true | |
| seed: 1000 | |
| dataset_repo_id: lerobot/koch_pick_place_1_lego | |
| video_backend: pyav | |
| training: | |
| offline_steps: 40000 | |
| online_steps: 0 | |
| online_steps_between_rollouts: 1 | |
| online_sampling_ratio: 0.5 | |
| online_env_seed: ??? | |
| eval_freq: -1 | |
| log_freq: 10 | |
| save_checkpoint: true | |
| save_freq: 5000 | |
| num_workers: 8 | |
| batch_size: 64 | |
| image_transforms: | |
| enable: true | |
| max_num_transforms: 3 | |
| random_order: false | |
| brightness: | |
| weight: 1 | |
| min_max: | |
| - 0.8 | |
| - 1.2 | |
| contrast: | |
| weight: 1 | |
| min_max: | |
| - 0.8 | |
| - 1.2 | |
| saturation: | |
| weight: 1 | |
| min_max: | |
| - 0.7 | |
| - 1.3 | |
| hue: | |
| weight: 1 | |
| min_max: | |
| - -0.02 | |
| - 0.02 | |
| sharpness: | |
| weight: 1 | |
| min_max: | |
| - 0.1 | |
| - 1.9 | |
| lr: 0.0001 | |
| lr_backbone: 0.0001 | |
| weight_decay: 0.0001 | |
| grad_clip_norm: 10 | |
| delta_timestamps: | |
| action: | |
| - 0.03333333333333333 | |
| - 0.06666666666666667 | |
| - 0.1 | |
| - 0.13333333333333333 | |
| - 0.16666666666666666 | |
| - 0.19999999999999998 | |
| - 0.23333333333333334 | |
| - 0.26666666666666666 | |
| - 0.3 | |
| - 0.3333333333333333 | |
| - 0.36666666666666664 | |
| - 0.39999999999999997 | |
| - 0.43333333333333335 | |
| - 0.4666666666666667 | |
| - 0.5 | |
| - 0.5333333333333333 | |
| - 0.5666666666666667 | |
| - 0.6 | |
| - 0.6333333333333333 | |
| - 0.6666666666666666 | |
| - 0.7 | |
| - 0.7333333333333333 | |
| - 0.7666666666666666 | |
| - 0.8 | |
| - 0.8333333333333334 | |
| - 0.8666666666666667 | |
| - 0.9 | |
| - 0.9333333333333333 | |
| - 0.9666666666666667 | |
| - 1.0 | |
| - 1.0333333333333334 | |
| - 1.0666666666666669 | |
| - 1.1 | |
| - 1.1333333333333335 | |
| - 1.1666666666666667 | |
| - 1.2000000000000002 | |
| - 1.2333333333333334 | |
| - 1.2666666666666668 | |
| - 1.3 | |
| - 1.3333333333333335 | |
| - 1.3666666666666667 | |
| - 1.4000000000000001 | |
| - 1.4333333333333333 | |
| - 1.4666666666666668 | |
| - 1.5 | |
| - 1.5333333333333334 | |
| - 1.5666666666666669 | |
| - 1.6 | |
| - 1.6333333333333335 | |
| - 1.6666666666666667 | |
| - 1.7000000000000002 | |
| - 1.7333333333333334 | |
| - 1.7666666666666668 | |
| - 1.8 | |
| - 1.8333333333333335 | |
| - 1.8666666666666667 | |
| - 1.9000000000000001 | |
| - 1.9333333333333333 | |
| - 1.9666666666666668 | |
| - 2.0 | |
| - 2.033333333333333 | |
| - 2.0666666666666664 | |
| - 2.1 | |
| - 2.1333333333333333 | |
| - 2.1666666666666665 | |
| - 2.1999999999999997 | |
| - 2.2333333333333334 | |
| - 2.2666666666666666 | |
| - 2.3 | |
| - 2.333333333333333 | |
| - 2.3666666666666667 | |
| - 2.4 | |
| - 2.433333333333333 | |
| - 2.4666666666666663 | |
| - 2.5 | |
| - 2.533333333333333 | |
| - 2.5666666666666664 | |
| - 2.6 | |
| - 2.6333333333333333 | |
| - 2.6666666666666665 | |
| - 2.6999999999999997 | |
| - 2.7333333333333334 | |
| - 2.7666666666666666 | |
| - 2.8 | |
| - 2.833333333333333 | |
| - 2.8666666666666667 | |
| - 2.9 | |
| - 2.933333333333333 | |
| - 2.9666666666666663 | |
| - 3.0 | |
| - 3.033333333333333 | |
| - 3.0666666666666664 | |
| - 3.1 | |
| - 3.1333333333333333 | |
| - 3.1666666666666665 | |
| - 3.1999999999999997 | |
| - 3.2333333333333334 | |
| - 3.2666666666666666 | |
| - 3.3 | |
| - 3.333333333333333 | |
| eval: | |
| n_episodes: 50 | |
| batch_size: 50 | |
| use_async_envs: false | |
| wandb: | |
| enable: true | |
| disable_artifact: false | |
| project: lerobot | |
| notes: '' | |
| fps: 30 | |
| env: | |
| name: real_world | |
| task: null | |
| state_dim: 6 | |
| action_dim: 6 | |
| fps: ${fps} | |
| override_dataset_stats: | |
| observation.images.laptop: | |
| mean: | |
| - - - 0.485 | |
| - - - 0.456 | |
| - - - 0.406 | |
| std: | |
| - - - 0.229 | |
| - - - 0.224 | |
| - - - 0.225 | |
| observation.images.phone: | |
| mean: | |
| - - - 0.485 | |
| - - - 0.456 | |
| - - - 0.406 | |
| std: | |
| - - - 0.229 | |
| - - - 0.224 | |
| - - - 0.225 | |
| policy: | |
| name: act | |
| n_obs_steps: 1 | |
| chunk_size: 100 | |
| n_action_steps: 100 | |
| input_shapes: | |
| observation.images.laptop: | |
| - 3 | |
| - 480 | |
| - 640 | |
| observation.images.phone: | |
| - 3 | |
| - 480 | |
| - 640 | |
| observation.state: | |
| - ${env.state_dim} | |
| output_shapes: | |
| action: | |
| - ${env.action_dim} | |
| input_normalization_modes: | |
| observation.images.laptop: mean_std | |
| observation.images.phone: mean_std | |
| observation.state: mean_std | |
| output_normalization_modes: | |
| action: mean_std | |
| vision_backbone: resnet18 | |
| pretrained_backbone_weights: ResNet18_Weights.IMAGENET1K_V1 | |
| replace_final_stride_with_dilation: false | |
| pre_norm: false | |
| dim_model: 512 | |
| n_heads: 8 | |
| dim_feedforward: 3200 | |
| feedforward_activation: relu | |
| n_encoder_layers: 4 | |
| n_decoder_layers: 8 | |
| use_vae: false | |
| latent_dim: 32 | |
| n_vae_encoder_layers: 4 | |
| temporal_ensemble_momentum: null | |
| dropout: 0.1 | |
| kl_weight: 10.0 | |