Politiques de référence : sprint, roulettes et posture

Choisissez par comportement et matériel, puis vérifiez l'emplacement.

Chaque manifeste déclare le schéma 2, le modèle API 1, 61 observations, 14 actions et 50 Hz. Ces numéros communs ne rendent pas les comportements interchangeables : le contrôleur à rouleaux et le drapeau assis réinterprètent les champs de commande. Conservez le modèle de robot, la famille de servos, les accessoires, la pose d'entrée et l'encodage des commandes dans votre plan de test. Schéma du manifeste de politique officielle et règles de compatibilité ↗

Utilisez un candidat épinglé et conservez la commande de réinitialisation.

Enregistrez d’abord robotctl version, policy list et health. Confirmez que votre environnement d'exécution accepte le manifeste et préparez une zone de test prise en charge avec accès à l'alimentation. Ce qui suit charge l'instantané de sprint examiné, modifie l'emplacement de marche et persiste lors du redémarrage ; sa dernière ligne supprime ce remplacement.

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

Une réinitialisation résout le défaut officiel ; il ne restaure pas un remplacement personnalisé précédent. Enregistrez le référentiel et la révision de ce remplacement avant l'essai. La fiche modèle indique que la normalisation des observations est déjà dans le modèle ONNX : un exécuteur personnalisé doit alimenter les observations brutes sans appliquer deux fois la même normalisation. Référence du sprint : chargement, normalisation et enregistrement d'entraînement ↗

Pour le modèle de talent, utilisez son emplacement sitstand documenté, et non marchez. Annulez ce choix avec :

sudo robotctl policy reset sitstand
robotctl policy list
robotctl health

Des poids publics sont disponibles ; la reproduction complète de l'entraînement a besoin de plus.

Les manifestes indiquent la tâche, le commit du code source, le checkpoint, la graine aléatoire et la commande d’entraînement. Les fiches renvoient à pollen-robotics/microduck-challenges, mais ce dépôt GitHub a répondu 404 lors de notre vérification sans connexion le 8 octobre. Nous avons pu examiner les poids et les métadonnées publics, pas le code d’entraînement cité. Référence Talent : chargement et procédure d’entraînement ↗

La carte de talent nomme également Mjlab-GotATalent-MicroDuck dans son résumé d'entraînement tandis que sa recette utilise Mjlab-SwagContest-MicroDuck. Confirmez la tâche dans une extraction de source accessible avant de dépenser le calcul. Répéter une graine n’est pas une promesse de poids identiques entraînés par GPU.

Rapporter les observations avec leurs limites.

Enregistrez la révision du Hub, la version du démon, l'emplacement précédent, les conditions de support, le comportement de démarrage/arrêt et le résultat de la réinitialisation. Une référence publiée est une référence utile, et non un classement actuel ou une preuve de compatibilité avec HD-1910, Open Duck Mini ou un autre robot reconstruit. Utilisez la discussion connexe pour comparer les enregistrements avec le même modèle et les mêmes conditions.