File size: 4,866 Bytes
1d16681 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 |
resume: true
device: cuda
use_amp: false
seed: 1000
dataset_repo_id:
- yanivmel1/rotem_recordings_split_1
- yanivmel1/rotem_recordings_split_2
- yanivmel1/rotem_recordings_split_4
- yanivmel1/rotem_recordings_split_5
video_backend: pyav
training:
offline_steps: 80000
num_workers: 4
batch_size: 8
eval_freq: -1
log_freq: 100
save_checkpoint: true
save_freq: 10000
online_steps: 0
online_rollout_n_episodes: 1
online_rollout_batch_size: 1
online_steps_between_rollouts: 1
online_sampling_ratio: 0.5
online_env_seed: null
online_buffer_capacity: null
online_buffer_seed_size: 0
do_online_rollout_async: false
image_transforms:
enable: false
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:
- 0.5
- 1.5
hue:
weight: 1
min_max:
- -0.05
- 0.05
sharpness:
weight: 1
min_max:
- 0.8
- 1.2
lr: 1.0e-05
lr_backbone: 1.0e-05
weight_decay: 0.0001
grad_clip_norm: 10
delta_timestamps:
action:
- 0.0
- 0.03333333333333333
- 0.06666666666666667
- 0.1
- 0.13333333333333333
- 0.16666666666666666
- 0.2
- 0.23333333333333334
- 0.26666666666666666
- 0.3
- 0.3333333333333333
- 0.36666666666666664
- 0.4
- 0.43333333333333335
- 0.4666666666666667
- 0.5
- 0.5333333333333333
- 0.5666666666666667
- 0.6
- 0.6333333333333333
- 0.6666666666666666
- 0.7
- 0.7333333333333333
- 0.7666666666666667
- 0.8
- 0.8333333333333334
- 0.8666666666666667
- 0.9
- 0.9333333333333333
- 0.9666666666666667
- 1.0
- 1.0333333333333334
- 1.0666666666666667
- 1.1
- 1.1333333333333333
- 1.1666666666666667
- 1.2
- 1.2333333333333334
- 1.2666666666666666
- 1.3
- 1.3333333333333333
- 1.3666666666666667
- 1.4
- 1.4333333333333333
- 1.4666666666666666
- 1.5
- 1.5333333333333334
- 1.5666666666666667
- 1.6
- 1.6333333333333333
- 1.6666666666666667
- 1.7
- 1.7333333333333334
- 1.7666666666666666
- 1.8
- 1.8333333333333333
- 1.8666666666666667
- 1.9
- 1.9333333333333333
- 1.9666666666666666
- 2.0
- 2.033333333333333
- 2.066666666666667
- 2.1
- 2.1333333333333333
- 2.1666666666666665
- 2.2
- 2.2333333333333334
- 2.2666666666666666
- 2.3
- 2.3333333333333335
- 2.3666666666666667
- 2.4
- 2.433333333333333
- 2.466666666666667
- 2.5
- 2.533333333333333
- 2.566666666666667
- 2.6
- 2.6333333333333333
- 2.6666666666666665
- 2.7
- 2.7333333333333334
- 2.7666666666666666
- 2.8
- 2.8333333333333335
- 2.8666666666666667
- 2.9
- 2.933333333333333
- 2.966666666666667
- 3.0
- 3.033333333333333
- 3.066666666666667
- 3.1
- 3.1333333333333333
- 3.1666666666666665
- 3.2
- 3.2333333333333334
- 3.2666666666666666
- 3.3
eval:
n_episodes: 50
batch_size: 50
use_async_envs: true
wandb:
enable: false
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: 1
use_vae: true
latent_dim: 32
n_vae_encoder_layers: 4
temporal_ensemble_momentum: null
dropout: 0.1
kl_weight: 10.0
|