Referenz-Policies: Sprint, Rollen und Sitzhaltung

Wählen Sie nach Verhalten und Hardware und überprüfen Sie dann den Steckplatz.

Jedes Manifest deklariert Schema 2, Modell-API 1, 61 Beobachtungen, 14 Aktionen und 50 Hz. Diese gemeinsamen Zahlen machen die Verhaltensweisen nicht austauschbar: Der Rollencontroller und die Sitzflagge interpretieren Befehlsfelder neu. Behalten Sie Robotermodell, Servofamilie, Zubehör, Einstiegsposition und Befehlskodierung in Ihrem Testplan bei. Schema und Kompatibilitätsregeln des offiziellen Policiesmanifests ↗

Verwenden Sie einen angehefteten Kandidaten und behalten Sie den Reset-Befehl bei.

Speichern Sie zunächst robotctl version, policy list und health. Bestätigen Sie, dass Ihre Laufzeit das Manifest akzeptiert, und bereiten Sie einen unterstützten Testbereich mit Zugang zur Stromversorgung vor. Im Folgenden wird der überprüfte Sprint-Snapshot geladen, der Walk-Slot geändert und der Vorgang bleibt über einen Neustart hinweg bestehen. Die letzte Zeile entfernt diese Überschreibung.

sudo robotctl policy load walk pollen-robotics/microduck-sprint-2m-reference@62afcc461f1d4a5ac22bfbff55ce4900c1afba32
robotctl policy list
robotctl health
sudo robotctl policy reset walk

Ein Reset behebt den offiziellen Standard; Eine frühere benutzerdefinierte Überschreibung wird nicht wiederhergestellt. Speichern Sie das Repository und die Revision dieser Überschreibung vor dem Test. Auf der Modellkarte heißt es, dass die Beobachtungsnormalisierung bereits im ONNX-Modell enthalten ist: Ein benutzerdefinierter Läufer sollte Rohbeobachtungen einspeisen, ohne dieselbe Normalisierung zweimal anzuwenden. Sprint-Referenz: Belastung, Normalisierung und Trainingsaufzeichnung ↗

Verwenden Sie für das Talentmodell seinen dokumentierten sitstand-Slot, nicht Walk. Machen Sie diese Auswahl rückgängig mit:

sudo robotctl policy reset sitstand
robotctl policy list
robotctl health

Öffentliche Gewichte sind verfügbar; Eine vollständige Trainingsreproduktion erfordert mehr.

Die Manifeste zeichnen die Aufgabe, den Quell-Commit, den Prüfpunkt, den Startwert und den Trainingsbefehl auf. Die Karten zeigen auf pollen-robotics/microduck-challenges, aber dieses GitHub-Repository hat bei unserer anonymen Prüfung am 8. Oktober 404 zurückgegeben. Wir konnten öffentliche Gewichtungen und Metadaten überprüfen, nicht die referenzierte Trainingsquelle. Talentreferenz: Lade- und Trainingsrezept ↗

Die Talentkarte nennt in ihrer Trainingszusammenfassung auch Mjlab-GotATalent-MicroDuck, während ihr Rezept Mjlab-SwagContest-MicroDuck verwendet. Bestätigen Sie die Aufgabe in einer verfügbaren Quelle, bevor Sie Rechenleistung ausgeben. Das Wiederholen eines Seeds ist kein Versprechen für identische GPU-trainierte Gewichte.

Melden Sie Beobachtungen mit ihren Grenzen.

Notieren Sie die Hub-Revision, die Daemon-Version, den vorherigen Slot, die Supportbedingungen, das Start-/Stoppverhalten und das Reset-Ergebnis. Eine veröffentlichte Referenz ist eine nützliche Basislinie, kein aktuelles Ranking oder ein Nachweis der Kompatibilität mit HD-1910, Open Duck Mini oder einem anderen nachgebauten Roboter. Verwenden Sie die zu verwandte Diskussion, um Datensätze mit demselben Modell und denselben Bedingungen zu vergleichen.