{"id":7200,"date":"2026-06-08T11:21:25","date_gmt":"2026-06-08T09:21:25","guid":{"rendered":"https:\/\/xberry.tech\/xberry-lerobot-week-1-collecting-90-training-episodes-for-imitation-learning\/"},"modified":"2026-09-11T13:21:24","modified_gmt":"2026-09-11T11:21:24","slug":"dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow","status":"publish","type":"post","link":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/","title":{"rendered":"xBerry Robotic Arm Project Tydzie\u0144 1: Zbieramy 90 epizod\u00f3w treningowych do uczenia przez na\u015bladowanie"},"content":{"rendered":"<p style=\"text-align: justify\"><b>Zbieranie danych treningowych do uczenia przez na\u015bladowanie brzmi jak rozwi\u0105zany problem dop\u00f3ki serwo nie padnie w po\u0142owie sesji, a nagranie nie zniknie. Oto jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101: nasz setup, co si\u0119 zepsu\u0142o i pipeline, kt\u00f3ry wszystko uratowa\u0142.<\/b><\/p>\n<h2>TL;DR &#8211; Dane treningowe LeRobot: wyniki 1. tygodnia<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">W pierwszym tygodniu wewn\u0119trznego projektu R&#038;D zebrali\u015bmy 90 epizod\u00f3w treningowych dla zadania Pick, Lift and Place. Dane pochodzi\u0142y z 4 kamer RGB i 2 map g\u0142\u0119bi, z 6 pozycji startowych po 15 epizod\u00f3w ka\u017cda. Awaria serwa i przerwy komunikacyjne wymusi\u0142y zbudowanie pipeline&#8217;u z automatycznym zapisem i uploadem na HuggingFace po ka\u017cdym epizodzie. Okaza\u0142o si\u0119 w\u00f3wczas, \u017ce jest to lepsze rozwi\u0105zanie, ni\u017c jakikolwiek zapis na poziomie sesji m\u00f3g\u0142by zapewni\u0107.<\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Ile epizod\u00f3w treningowych potrzebuje polityka uczenia przez na\u015bladowanie?<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Czym jest imitation learning?<\/strong> Jest to metoda treningu robota, w kt\u00f3rej model uczy si\u0119 obserwuj\u0105c demonstracje kontrolowane przez cz\u0142owieka zamiast by\u0107 programowany jawnymi trajektoriami.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Liczba demonstracji potrzebnych do dzia\u0142aj\u0105cej polityki <strong>uczenia przez na\u015bladowanie<\/strong> (imitation learning) zale\u017cy silnie od z\u0142o\u017cono\u015bci zadania. Dla zadania <strong>Pick, Lift and Place (PLP)<\/strong>, w kt\u00f3rym robot chwyta obiekt, unosi go i umieszcza w docelowym pojemniku &#8211; typowy zakres to <strong>60\u2013200 epizod\u00f3w<\/strong>.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Dok\u0142adna liczba skaluje si\u0119 z kilkoma niezale\u017cnymi czynnikami:<\/p>\n<p>&nbsp;<\/p>\n<ul>\n<li><strong>Liczb\u0105 pozycji startowych<\/strong> &#8211; wi\u0119cej stref przestrzennych oznacza wi\u0119cej wariant\u00f3w, na kt\u00f3rych model musi generalizowa\u0107.<\/li>\n<li><strong>Liczb\u0105 obiekt\u00f3w<\/strong> &#8211; ka\u017cdy dodatkowy obiekt wprowadza nowe konfiguracje chwytu, wymagaj\u0105c k dodatkowych epizod\u00f3w (gdzie k \u2265 15 w naszym setupie).<\/li>\n<li><strong>Liczb\u0105 zmiennych czynnik\u00f3w<\/strong> &#8211; pozycja pude\u0142ka, kolor obiektu, faktura powierzchni i podobne zmienne \u015brodowiskowe mno\u017c\u0105 kombinatoryczn\u0105 z\u0142o\u017cono\u015b\u0107.<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><strong>Czym skutkuje zbyt ma\u0142a ilo\u015b\u0107 epizod\u00f3w?<\/strong> Proste. Polityka nie douczy si\u0119 (underfitting) i nie generalizuje na niewidzianych pozycjach. Natomiast za du\u017co powt\u00f3rze\u0144 tej samej trajektorii sprawia, \u017ce polityka si\u0119 przeucza (overfitting) i zapami\u0119tuje \u015bcie\u017ck\u0119 zamiast rozumie\u0107 zadanie.\n<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #eff6ff;color: #1e40af\"><b>Dlaczego to wa\u017cne:<\/b> Zdefiniowanie macierzy zmiennych przed nagrywaniem oszcz\u0119dza godziny ponownego treningu. B\u0142\u0119dne oszacowanie liczby epizod\u00f3w jest kosztowne do naprawienia po zako\u0144czeniu kolekcji danych.<\/span><\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Nasz setup do zbierania danych treningowych LeRobot: 1 pi\u0142eczka, 6 stref, 90 epizod\u00f3w<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">W 1. tygodniu celowo wybrali\u015bmy ograniczony setup, aby ustawi\u0107 czysty punkt startowy przed dodawaniem z\u0142o\u017cono\u015bci, sk\u0142ada\u0142 si\u0119 on z:<\/p>\n<p>&nbsp;<\/p>\n<ul>\n<li><b>1 obiektu<\/b> &#8211; jedna zielona pi\u0142eczka<\/li>\n<li><b>1 pude\u0142ka<\/b> &#8211; cel umieszczenia<\/li>\n<li><b>6 pozycji startowych<\/b> &#8211; 6 stref przestrzennych, z kt\u00f3rych pi\u0142eczka by\u0142a ustawiana przed ka\u017cdym epizodem<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Nagrali\u015bmy <b>15 epizod\u00f3w z ka\u017cdej pozycji startowej<\/b>, co da\u0142o <b>90 epizod\u00f3w \u0142\u0105cznie<\/b> w zbiorze treningowym.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">W ramach ka\u017cdej strefy startowej celowo zr\u00f3\u017cnicowali\u015bmy u\u0142o\u017cenie pi\u0142eczki &#8211; rogi, \u015brodek, lewa kraw\u0119d\u017a, prawa kraw\u0119d\u017a i pozycje po\u015brednie. Ta wariacja wewn\u0105trz strefy jest kluczowa: model trenowany wy\u0142\u0105cznie na pi\u0142eczce ustawionej centralnie zawiedzie, gdy pi\u0142eczka trafi kilka centymetr\u00f3w dalej. Model musi nauczy\u0107 si\u0119 zadania, nie wsp\u00f3\u0142rz\u0119dnych.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Kluczowe ograniczenie &#8211; <strong>sp\u00f3jno\u015b\u0107 \u015brodowiska<\/strong>: Wszystkie 90 epizod\u00f3w nagrali\u015bmy w jednym, niezmiennym \u015brodowisku. Warunki o\u015bwietlenia, pozycje kamer, powierzchnia sto\u0142u i t\u0142o by\u0142y sta\u0142e przez ca\u0142y czas nagrywania. To nie preferencja &#8211; to twardy wym\u00f3g uczenia przez na\u015bladowanie. Zmienno\u015b\u0107 \u015brodowiska mi\u0119dzy epizodami wprowadza szum, kt\u00f3rego model nie odr\u00f3\u017cni od sygna\u0142u.<\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Protok\u00f3\u0142 nagrywania: 30-sekundowe epizody, 4 kamery, 2 mapy g\u0142\u0119bi<\/h2>\n<p>&nbsp;<\/p>\n<div style=\"text-align:center\">\n<\/div>\n<p>&nbsp;<\/p>\n<h3>Jak uruchomi\u0107 nagrywanie epizod\u00f3w:<\/h3>\n<p>&nbsp;<\/p>\n<div class=\"code-block\" style=\"background-color: #282c34;border-radius: 8px;padding: 16px 20px;position: relative;border-left: 3px solid #ea3752\">\n  <button class=\"copy-code-btn\" style=\"position: absolute;top: 8px;right: 8px;background: #444;color: #fff;border: none;padding: 4px 10px;border-radius: 4px;cursor: pointer\">Copy<\/button><\/p>\n<pre style=\"color: #abb2bf;font-family: &#039;Courier New&#039;, monospace;font-size: 14px;margin: 0\">lerobot-record \r\n--robot.type=so101_follower \r\n--robot.port=\/dev\/tty.usbmodem585A0076841 \r\n--robot.id=my_awesome_follower_arm \r\n--robot.cameras=\"{ front: {type: opencv, index_or_path: 0, width: 1920, height: 1080, fps: 30}}\" \r\n--teleop.type=so101_leader \r\n--teleop.port=\/dev\/tty.usbmodem58760431551 \r\n--teleop.id=my_awesome_leader_arm \r\n--display_data=true \r\n--dataset.repo_id=${HF_USER}\/record-test \r\n--dataset.num_episodes=5 \r\n--dataset.single_task=\"Grab the black cube\" \r\n--dataset.streaming_encoding=true \r\n# --dataset.vcodec=auto \r\n--dataset.encoder_threads=2<\/pre>\n<\/div>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Ka\u017cda demonstracja przebiega\u0142a zgodnie ze sta\u0142ym protoko\u0142em:<\/p>\n<p>\u00a0<\/p>\n<ul>\n<li><b>Czas epizodu:<\/b> ~30 sekund \u2014 wystarczaj\u0105co d\u0142ugo, by wykona\u0107 pe\u0142n\u0105 sekwencj\u0119 Pick, Lift and Place w kontrolowanym tempie.<\/li>\n<li><b>Czas resetu:<\/b> 10 sekund mi\u0119dzy epizodami na przywr\u00f3cenie \u015brodowiska &#8211; przeniesienie pi\u0142eczki z punktu ko\u0144cowego do kolejnej pozycji startowej.<\/li>\n<li><b>Dane wizualne: <\/b>4 kamery RGB rejestruj\u0105ce jednocze\u015bnie synchroniczne strumienie wideo kolorowego.<\/li>\n<li><b>Dane g\u0142\u0119bi:<\/b> 2 mapy g\u0142\u0119bi z kamer Intel RealSense, rejestruj\u0105ce informacje przestrzenne 3D obok klatek kolorowych.<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<div style=\"display: flex;gap: 32px;align-items: flex-start;margin: 40px 0\">\n<div style=\"flex: 0 0 340px\">\n    <img decoding=\"async\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/lerobot_roboty.jpg\" alt=\"Roboty SO-101\" style=\"width: 100%;border-radius: 8px\" \/>\n  <\/div>\n<div style=\"flex: 1\">\n<p style=\"text-align: justify\">Rami\u0119 <strong>SO-101<\/strong> dzia\u0142a w konfiguracji <strong>Leader\u2013Follower<\/strong>: operator fizycznie steruje ramieniem lider r\u0119cznie, a rami\u0119 follower odzwierciedla ka\u017cdy ruch staw\u00f3w w czasie rzeczywistym.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">W tym czasie <strong style=\"color: #ea3752\">Framework LeRobot<\/strong> \u2013 biblioteka open-source od Hugging Face, zarz\u0105dzaj\u0105ca synchronizacj\u0105 wielu kamer, strukturyzacj\u0105 zbior\u00f3w danych i treningiem polityk \u2013 rejestruje wszystkie strumienie kamer i dane pozycji staw\u00f3w synchronicznie, tworz\u0105c wielomodalny zbi\u00f3r gotowy do treningu.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Tak przygotowany setup dzia\u0142a\u0142, a\u017c do pierwszej awarii sprz\u0119tu.<\/p>\n<\/p>\n<\/div>\n<\/div>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Co si\u0119 zepsu\u0142o: 2 problemy sprz\u0119towe przerywaj\u0105ce nagrywanie<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Napotkali\u015bmy 2 odr\u0119bne problemy podczas sesji nagrywania. <\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><strong>Problem 1<\/strong> &#8211; B\u0142\u0105d serwa na efektorze. Silnik serwo steruj\u0105cy chwytakiem (end effector &#8211; ko\u0144cowy staw maj\u0105cy kontakt z obiektami) na ramieniu SO-101 zg\u0142osi\u0142 sygna\u0142 b\u0142\u0119du do sterownika podczas aktywnego nagrywania. LeRobot zinterpretowa\u0142 ten b\u0142\u0105d jako naturalny sygna\u0142 zako\u0144czenia epizodu i automatycznie przerwa\u0142 nagrywanie. Sesja zako\u0144czy\u0142a si\u0119 w po\u0142owie epizodu bez ostrze\u017cenia.   <\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><strong>Problem 2<\/strong> &#8211; Przerwy komunikacyjne. Sporadyczne op\u00f3\u017anienia w warstwie komunikacji mi\u0119dzy sterownikiem ramienia a stacj\u0105 robocz\u0105 nagrywaj\u0105c\u0105 powodowa\u0142y, \u017ce LeRobot podobnie przerywa\u0142 sesj\u0119 &#8211; traktuj\u0105c op\u00f3\u017anienie jako sytuacj\u0119 b\u0142\u0119dn\u0105. <\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Jak to naprawili\u015bmy: pipeline z zapisem i uploadem na HuggingFace po ka\u017cdym epizodzie<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Zamiast traktowa\u0107 ca\u0142\u0105 sesj\u0119 nagrywania jako jedn\u0105 monolityczn\u0105 operacj\u0119, przeprojektowali\u015bmy pipeline tak, by zapisywa\u0142 ka\u017cdy uko\u0144czony epizod indywidualnie &#8211; w momencie jego zako\u0144czenia, zanim rozpocznie si\u0119 kolejny. Ka\u017cdy zapisany epizod jest od razu wysy\u0142any na <a href=\"https:\/\/huggingface.co\/lerobot\">HuggingFace<\/a> &#8211; platform\u0119 uczenia maszynowego hostuj\u0105c\u0105 nasz zbi\u00f3r danych &#8211; natychmiast po zamkni\u0119ciu 30-sekundowego okna nagrywania.<\/p>\n<p>&nbsp;<\/p>\n<h3>Jak wznowi\u0107 nagrywanie lub dogra\u0107 kolejne epizody:<\/h3>\n<p>&nbsp;<\/p>\n<div class=\"code-block\" style=\"background-color: #282c34;border-radius: 8px;padding: 16px 20px;position: relative;border-left: 3px solid #ea3752\">\n  <button class=\"copy-code-btn\" style=\"position: absolute;top: 8px;right: 8px;background: #444;color: #fff;border: none;padding: 4px 10px;border-radius: 4px;cursor: pointer\">Copy<\/button><\/p>\n<pre style=\"color: #abb2bf;font-family: &#039;Courier New&#039;, monospace;font-size: 14px;margin: 0\">lerobot-record \r\n--robot.type=so101_follower \r\n--robot.port=\/dev\/tty.usbmodem585A0076841 \r\n--robot.id=my_awesome_follower_arm \r\n--robot.cameras=\"{ front: {type: opencv, index_or_path: 0, width: 1920, height: 1080, fps: 30}}\" \r\n--teleop.type=so101_leader \r\n--teleop.port=\/dev\/tty.usbmodem58760431551 \r\n--teleop.id=my_awesome_leader_arm \r\n--display_data=true \r\n--dataset.repo_id=${HF_USER}\/record-test \r\n--dataset.num_episodes=5 \r\n--dataset.single_task=\"Grab the black cube\" \r\n--dataset.streaming_encoding=true \r\n# --dataset.vcodec=auto \r\n--dataset.encoder_threads=2\r\n--resume=true # wznowienie nagrywania<\/pre>\n<\/div>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Ta architektura rozwi\u0105za\u0142a oba problemy jednocze\u015bnie:<\/p>\n<p>&nbsp;<\/p>\n<ul>\n<li>B\u0142\u0105d serwera lub przerwa komunikacyjna po epizodzie N pozostawia epizody 1 do N-1 w pe\u0142ni nienaruszone na HuggingFace. \u017badne dane nie s\u0105 tracone.<\/li>\n<li>Nagrywanie mo\u017cna wznowi\u0107 po ka\u017cdej przerwie bez restrukturyzacji zbioru danych.<\/li>\n<li>Dogranie kolejnych epizod\u00f3w &#8211; je\u015bli 90 oka\u017ce si\u0119 niewystarczaj\u0105ce do zbie\u017cno\u015bci treningu &#8211; wymaga jedynie kontynuowania istniej\u0105cego zbioru w tym samym repozytorium HuggingFace.<\/li>\n<\/ul>\n<p style=\"text-align: justify\">Dodatkowo uszkodzone serwo zosta\u0142o wymienione na nowe. Ze wzgl\u0119du na to, \u017ce <strong>SO-101 to robot modularny<\/strong> to ka\u017cdy staw u\u017cywa standardowego modu\u0142u serwa, kt\u00f3ry mo\u017cna wymontowa\u0107 i zast\u0105pi\u0107 w kilka minut bez demonta\u017cu reszty ramienia. Wymiana nie wymaga\u0142a ponownej kalibracji ca\u0142ego systemu, a nagrywanie zosta\u0142o szybko wznowione.<\/p>\n<p>&nbsp;<br \/>\n<span style=\"background-color: #eff6ff;color: #1e40af\"><b>Dlaczego to wa\u017cne:<\/b> Budowanie pipeline&#8217;\u00f3w z checkpointingiem na poziomie epizodu i backupem w chmurze od pierwszego dnia to nie przerost formy tylko minimalny standard niezawodno\u015bci dla system\u00f3w physical AI. Sprz\u0119t zawiedzie. Pipeline musi by\u0107 na to oboj\u0119tny.<\/span><\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2 style=\"line-height: 1.4\">Kluczowy wniosek: checkpointing na poziomie epizodu to nie opcja<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Najbardziej przeno\u015bna lekcja z 1. tygodnia nie dotyczy konkretnie ramion robotycznych, a tego, \u017ce <strong>systemy physical AI wymagaj\u0105 checkpointingu na poziomie epizodu z backupem w chmurze od pierwszego dnia.<\/strong><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Zapis na poziomie sesji zak\u0142ada, \u017ce sesja dojdzie do ko\u0144ca. Sprz\u0119t tego za\u0142o\u017cenia nie respektuje. Ka\u017cdy pipeline, kt\u00f3ry mo\u017ce straci\u0107 godzin\u0119 nagra\u0144 przez jedno zerwane po\u0142\u0105czenie, nie jest pipeline&#8217;em, to zak\u0142ad.<\/p>\n<p>&nbsp;<br \/>\n&nbsp;<\/p>\n<h2>Co dalej: trening modelu ACT na 90 epizodach<\/h2>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Co to jest ACT?<\/strong> Jest to algorytm metody uczenia przez na\u015bladowanie opartej na architekturze Transformer, kt\u00f3ra przewiduje ca\u0142e sekwencje przysz\u0142ych akcji jednocze\u015bnie zamiast krok po kroku.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Maj\u0105c 90 epizod\u00f3w przes\u0142anych na HuggingFace, 2. tydzie\u0144 skupia si\u0119 na treningu modelu. Kolejny krok to napisanie pipeline&#8217;u treningowego do nauczenia ramienia SO-101 autonomicznego wykonywania zadania Pick, Lift and Place z u\u017cyciem algorytmu <b>ACT (Action Chunking with Transformers)<\/b>. To podej\u015bcie redukuje kumulowanie si\u0119 b\u0142\u0119d\u00f3w predykcji typowe dla metod krokowych w d\u0142ugich sekwencjach manipulacyjnych.<\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Je\u015bli jeste\u015b zainteresowany naszym wewn\u0119trznym projektem robotycznym i sam chcia\u0142by\u015b zacz\u0105\u0107 takie przedsi\u0119wzi\u0119cie &#8211; nie zwlekaj i <b><a href=\"https:\/\/xberry.tech\/pl\/contact\/\">skontaktuj si\u0119 z nami ju\u017c dzi\u015b!<\/a><\/b><br \/>\n&nbsp;<br \/>\n&nbsp;<\/p>\n<h2>FAQ<\/h2>\n<p>&nbsp;<\/p>\n<h3>Co to jest uczenie przez na\u015bladowanie w robotyce?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Uczenie przez na\u015bladowanie (imitation learning) to metoda treningu robota, w kt\u00f3rej polityka &#8211; model steruj\u0105cy robotem &#8211; uczy si\u0119 obserwuj\u0105c demonstracje kontrolowane przez cz\u0142owieka, zamiast by\u0107 programowana jawnymi trajektoriami lub uczeniem ze wzmocnieniem opartym na nagrodach.<\/p>\n<p>\u00a0<\/p>\n<h3>Ile epizod\u00f3w treningowych potrzebuje zadanie Pick, Lift and Place?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Zadanie Pick, Lift and Place wymaga typowo od 60 do 200 epizod\u00f3w demonstracji, zale\u017cnie od liczby pozycji startowych, zaanga\u017cowanych obiekt\u00f3w i innych zmiennych czynnik\u00f3w w setupie. Ka\u017cdy nowy czynnik zmienno\u015bci wymaga nagrania k dodatkowych epizod\u00f3w demonstracji.<\/p>\n<p>\u00a0<\/p>\n<h3>Co to jest algorytm ACT u\u017cywany w LeRobot?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">ACT (Action Chunking with Transformers) to algorytm uczenia przez na\u015bladowanie, kt\u00f3ry u\u017cywa architektury Transformer do jednoczesnego przewidywania ca\u0142ych sekwencji przysz\u0142ych akcji robota zamiast jednej akcji na raz, redukuj\u0105c kumulowanie si\u0119 b\u0142\u0119d\u00f3w predykcji typowe dla metod krokowych w d\u0142ugich sekwencjach manipulacyjnych.<\/p>\n<p>\u00a0<\/p>\n<h3>Co to jest rami\u0119 SO-101?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">SO-101 to modularny manipulator robotyczny z 6 stopniami swobody (6 DoF), zaprojektowany do bada\u0144 nad uczeniem przez na\u015bladowanie. SO-101 dzia\u0142a w konfiguracji Leader\u2013Follower, gdzie operator fizycznie steruje jednym ramieniem, a drugie odzwierciedla ruchy staw\u00f3w w czasie rzeczywistym podczas nagrywania danych treningowych.<\/p>\n<p>\u00a0<\/p>\n<h3>Dlaczego wszystkie epizody treningowe musz\u0105 by\u0107 nagrywane w tym samym \u015brodowisku?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Modele uczenia przez na\u015bladowanie ucz\u0105 si\u0119 ze statystycznej korelacji mi\u0119dzy danymi wizualnymi a akcjami staw\u00f3w robota. Je\u015bli \u015brodowisko zmienia si\u0119 mi\u0119dzy epizodami &#8211; inne o\u015bwietlenie, k\u0105ty kamer lub elementy t\u0142a &#8211; model nie mo\u017ce niezawodnie zmapowa\u0107 tego, co widzi, na w\u0142a\u015bciwe akcje, co wprowadza szum degraduj\u0105cy jako\u015b\u0107 polityki. <\/p>\n<p>\u00a0<\/p>\n<h3>Co to jest LeRobot i jak obs\u0142uguje zbieranie danych?<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">LeRobot to framework open-source do bada\u0144 nad robotik\u0105 rozwijany przez Hugging Face, zarz\u0105dzaj\u0105cy synchronizowanym nagrywaniem wielu kamer, strukturyzacj\u0105 zbior\u00f3w danych, treningiem polityk neuronowych i ewaluacj\u0105 modeli. Podczas nagrywania LeRobot monitoruje sygna\u0142y stanu sprz\u0119tu i przerwie sesj\u0119 przy wykryciu b\u0142\u0119du \u2014 co sprawia, \u017ce odporna architektura pipeline&#8217;u jest niezb\u0119dna. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Je\u015bli chcesz by\u0107 na bie\u017c\u0105\u0107o z naszymi post\u0119pami w projekcie LeRobot, \u015bled\u017a nas na naszym <b><a href=\"https:\/\/www.linkedin.com\/company\/xberry\">Linkedinie &#8211; xBerry R&#038;D House<\/a><\/b>.<\/p>\n<p><\/video><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Zbieranie danych treningowych do uczenia przez na\u015bladowanie brzmi jak rozwi\u0105zany problem dop\u00f3ki serwo nie padnie w po\u0142owie sesji, a nagranie nie zniknie. Oto jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101: nasz setup, co si\u0119 zepsu\u0142o i pipeline, kt\u00f3ry wszystko uratowa\u0142. TL;DR &#8211; Dane treningowe LeRobot: wyniki 1. tygodnia &nbsp; W pierwszym [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":9235,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[203],"tags":[],"class_list":["post-7200","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-robotics-pl"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v24.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Dane treningowe LeRobot: 90 epizod\u00f3w i nauka z b\u0142\u0119d\u00f3w<\/title>\n<meta name=\"description\" content=\"Dane treningowe LeRobot: Jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101 - wnioski z 1. tygodnia projektu LeRobot.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Dane treningowe LeRobot: 90 epizod\u00f3w i nauka z b\u0142\u0119d\u00f3w\" \/>\n<meta property=\"og:description\" content=\"Dane treningowe LeRobot: Jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101 - wnioski z 1. tygodnia projektu LeRobot.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/\" \/>\n<meta property=\"og:site_name\" content=\"xBerry\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-08T09:21:25+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-11T11:21:24+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png\" \/>\n\t<meta property=\"og:image:width\" content=\"810\" \/>\n\t<meta property=\"og:image:height\" content=\"486\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Klaudia Slusarczyk\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Klaudia Slusarczyk\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minut\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Dane treningowe LeRobot: 90 epizod\u00f3w i nauka z b\u0142\u0119d\u00f3w","description":"Dane treningowe LeRobot: Jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101 - wnioski z 1. tygodnia projektu LeRobot.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/","og_locale":"pl_PL","og_type":"article","og_title":"Dane treningowe LeRobot: 90 epizod\u00f3w i nauka z b\u0142\u0119d\u00f3w","og_description":"Dane treningowe LeRobot: Jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101 - wnioski z 1. tygodnia projektu LeRobot.","og_url":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/","og_site_name":"xBerry","article_published_time":"2026-06-08T09:21:25+00:00","article_modified_time":"2026-09-11T11:21:24+00:00","og_image":[{"width":810,"height":486,"url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png","type":"image\/png"}],"author":"Klaudia Slusarczyk","twitter_card":"summary_large_image","twitter_misc":{"Napisane przez":"Klaudia Slusarczyk","Szacowany czas czytania":"7 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#article","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/"},"author":{"name":"Klaudia Slusarczyk","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/85c9937f32423916a153cb2388f9d482"},"headline":"xBerry Robotic Arm Project Tydzie\u0144 1: Zbieramy 90 epizod\u00f3w treningowych do uczenia przez na\u015bladowanie","datePublished":"2026-06-08T09:21:25+00:00","dateModified":"2026-09-11T11:21:24+00:00","mainEntityOfPage":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/"},"wordCount":1743,"commentCount":0,"publisher":{"@id":"https:\/\/xberry.tech\/pl\/#organization"},"image":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png","articleSection":["Robotyka"],"inLanguage":"pl-PL","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/","url":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/","name":"Dane treningowe LeRobot: 90 epizod\u00f3w i nauka z b\u0142\u0119d\u00f3w","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#primaryimage"},"image":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png","datePublished":"2026-06-08T09:21:25+00:00","dateModified":"2026-09-11T11:21:24+00:00","description":"Dane treningowe LeRobot: Jak zebrali\u015bmy 90 epizod\u00f3w demonstracji do modelu ACT na ramieniu SO-101 - wnioski z 1. tygodnia projektu LeRobot.","breadcrumb":{"@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#primaryimage","url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png","contentUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/06\/90episodes_pl.png","width":810,"height":486},{"@type":"BreadcrumbList","@id":"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/xberry.tech\/pl\/"},{"@type":"ListItem","position":2,"name":"xBerry Robotic Arm Project Tydzie\u0144 1: Zbieramy 90 epizod\u00f3w treningowych do uczenia przez na\u015bladowanie"}]},{"@type":"WebSite","@id":"https:\/\/xberry.tech\/pl\/#website","url":"https:\/\/xberry.tech\/pl\/","name":"xBerry","description":"R&amp;D House","publisher":{"@id":"https:\/\/xberry.tech\/pl\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/xberry.tech\/pl\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pl-PL"},{"@type":"Organization","@id":"https:\/\/xberry.tech\/pl\/#organization","name":"xBerry","url":"https:\/\/xberry.tech\/pl\/","logo":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/logo\/image\/","url":"https:\/\/xberry.tech\/wp-content\/uploads\/2022\/07\/Logo-4.png","contentUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2022\/07\/Logo-4.png","width":234,"height":67,"caption":"xBerry"},"image":{"@id":"https:\/\/xberry.tech\/pl\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/85c9937f32423916a153cb2388f9d482","name":"Klaudia Slusarczyk","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/ba3ebda69b3934fd362d85ec5d209fa78f8277ada5583989f806a32b7dcf26d5?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/ba3ebda69b3934fd362d85ec5d209fa78f8277ada5583989f806a32b7dcf26d5?s=96&d=mm&r=g","caption":"Klaudia Slusarczyk"},"sameAs":["https:\/\/xberry.tech\/"],"url":"https:\/\/xberry.tech\/pl\/author\/klaudias\/"}]}},"_links":{"self":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/7200","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/comments?post=7200"}],"version-history":[{"count":59,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/7200\/revisions"}],"predecessor-version":[{"id":8608,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/7200\/revisions\/8608"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media\/9235"}],"wp:attachment":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media?parent=7200"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/categories?post=7200"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/tags?post=7200"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}