ACT项目常见问题解决方案
act 项目地址: https://gitcode.com/gh_mirrors/act/act
项目基础介绍
ACT项目(Action Chunking with Transformers)是一个基于Transformer模型的动作分块实现。该项目主要用于训练和评估ACT策略,支持在模拟环境和真实环境中使用。项目的主要编程语言是Python,依赖于PyTorch、Mujoco、DM_Control等库。
新手使用注意事项及解决方案
1. 环境配置问题
问题描述:新手在配置环境时可能会遇到依赖库版本不兼容或安装失败的问题。
解决步骤:
- 创建虚拟环境:使用conda创建一个名为
aloha
的虚拟环境,并激活它。conda create -n aloha python=3.8.10 conda activate aloha
- 安装依赖库:按照项目README中的说明,安装所有必要的依赖库。
pip install torchvision torch pyquaternion pyyaml rospkg pexpect mujoco==2.3.7 dm_control==1.0.14 opencv-python matplotlib einops packaging h5py ipython
- 安装DETR模型:进入
detr
目录并安装。cd act/detr pip install -e .
2. 数据集生成问题
问题描述:在生成模拟数据集时,可能会遇到数据保存路径错误或渲染问题。
解决步骤:
- 生成数据集:运行以下命令生成50个模拟数据集。
python3 record_sim_episodes.py --task_name sim_transfer_cube_scripted --dataset_dir <data save dir> --num_episodes 50
- 检查保存路径:确保
<data save dir>
是一个有效的路径,并且你有写权限。 - 实时渲染:如果需要实时渲染,添加
--onscreen_render
标志。python3 record_sim_episodes.py --task_name sim_transfer_cube_scripted --dataset_dir <data save dir> --num_episodes 50 --onscreen_render
3. 训练过程中的卡顿问题
问题描述:在训练ACT策略时,可能会遇到训练过程卡顿或暂停的问题。
解决步骤:
- 增加训练时间:根据项目README中的提示,如果策略在训练过程中出现卡顿或暂停,可以尝试增加训练时间。
python3 imitate_episodes.py --task_name sim_transfer_cube --train_dir <train save dir> --num_epochs 100
- 检查硬件资源:确保你的硬件资源(如GPU)足够支持训练过程。
- 调整超参数:如果问题依然存在,可以尝试调整学习率、批量大小等超参数。
通过以上步骤,新手可以更好地理解和使用ACT项目,解决常见的问题。