resume: false | |
device: cuda | |
use_amp: false | |
seed: 1000 | |
dataset_repo_id: 1g0rrr/grab_orange | |
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: false | |
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 | |