{"id":8282,"date":"2026-07-13T12:00:00","date_gmt":"2026-07-13T10:00:00","guid":{"rendered":"https:\/\/xberry.tech\/?p=8282"},"modified":"2026-09-11T13:07:05","modified_gmt":"2026-09-11T11:07:05","slug":"xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji","status":"publish","type":"post","link":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/","title":{"rendered":"xBerry Robotic Arm Project Tydzie\u0144 4: sim-to-real &#8211; 80% w symulacji, 50% w realu i co naprawi\u0142o 10 demonstracji"},"content":{"rendered":"<p style=\"text-align: justify\"><strong>W symulacji wytrenowana polityka osi\u0105gn\u0119\u0142a 80%. Na fizycznym ramieniu SO-101 ta sama polityka osi\u0105gn\u0119\u0142a 50%. Po dotrenowaniu na 10 rzeczywistych demonstracjach wskoczyli\u015bmy na 65% w realu, ale w symulacji spadli\u015bmy do 75%. Poprawa w jednym \u015bwiecie ma sw\u00f3j koszt w drugim.   <\/strong><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>TL;DR<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Tydzie\u0144 4 to nasz pierwszy pe\u0142ny eksperyment z transferem sim-to-real z u\u017cyciem IsaacSim i IsaacLab w ekosystemie LeRobot. Polityka wytrenowana czysto na danych symulacyjnych osi\u0105gn\u0119\u0142a 80% w symulacji i 50% na fizycznym robocie (30-punktowy reality gap). Dotrenowanie na 10 demonstracjach rzeczywistych podnios\u0142o wynik w realu do 65% przy jednoczesnym spadku do 75% w symulacji. Dane sugeruj\u0105, \u017ce optymalna strategia to co-training na obu \u017ar\u00f3d\u0142ach, a nie wyb\u00f3r jednego z nich.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Dlaczego w og\u00f3le przechodzimy do symulacji<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Co to jest Sim-to-real transfer (sim2real)?<\/strong> Jest to strategia treningowa, w kt\u00f3rej polityka robotyczna jest trenowana wewn\u0105trz symulatora fizycznego, a nast\u0119pnie wdra\u017cana na fizycznym sprz\u0119cie, co redukuje koszty i ryzyko treningu bezpo\u015brednio na robocie.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Co to jest Digital twin?<\/strong> Jest to wirtualna replika fizycznego robota i jego otoczenia, zamodelowana tak, \u017ceby jak najwierniej odwzorowa\u0107 kinematyk\u0119, dynamik\u0119 i geometri\u0119 sensor\u00f3w na tyle wiernie, \u017ceby polityka wytrenowana w kopii wirtualnej mia\u0142a szans\u0119 dzia\u0142a\u0107 na fizycznym oryginale.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">W Tygodniu 3 nasza najlepsza fizyczna polityka osi\u0105gn\u0119\u0142a 50% w zadaniu Pick, Lift and Place przy wej\u015bciu RGB-only. Zbieranie kolejnych demonstracji fizycznych to oczywisty nast\u0119pny krok, ale te\u017c powolny i kosztowny: ka\u017cdy epizod wymaga r\u0119cznego resetowania stanowiska, istnieje zu\u017cycie mechaniczne ramienia i nie mo\u017cna r\u00f3wnolegle zbiera\u0107 epizod\u00f3w. Symulacja eliminuje wszystkie trzy ograniczenia.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Je\u015bli chcesz dowiedzie\u0107 si\u0119 wi\u0119cej o naszych dzia\u0142a\u0144 w tygodniu 3. &#8211; sprawd\u017a <a href=\"https:\/\/xberry.tech\/xberry-lerobot-week-3-rgb-vs-rgbd-60-trials-one-surprising-winner\/\">xBerry LeRobot Tydzie\u0144 3: RGB vs RGBD \u2013 60 pr\u00f3b, jeden zaskakuj\u0105cy wynik<\/a><br \/>\n\u00a0<\/p>\n<p style=\"text-align: justify\">Do zbudowania cyfrowego bli\u017aniaka u\u017cyli\u015bmy IsaacSim: symulatora fizycznego NVIDIA do robotyki, dzia\u0142aj\u0105cego wewn\u0105trz IsaacLab: frameworka zbudowanego na <strong><a href=\"https:\/\/developer.nvidia.com\/isaac\/sim?size=n_6_n&amp;sort-field=featured&amp;sort-direction=desc\">IsaacSim<\/a><\/strong>, kt\u00f3ry integruje si\u0119 z pipeline&#8217;em treningowym LeRobot. Zadanie pozosta\u0142o niezmienione: Pick, Lift and Place z pi\u0142k\u0105 i misk\u0105 zamiast wcze\u015bniejszego uk\u0142adu obiekt-pude\u0142ko. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Pe\u0142ny przep\u0142yw Tygodnia 4: zebranie datasetu w symulacji, trening polityki ACT, ewaluacja w symulacji, transfer polityki 1:1 na fizycznego robota, ewaluacja na sprz\u0119cie, dotrenowanie na ma\u0142ej pr\u00f3bce demonstracji rzeczywistych, ponowna ewaluacja obu \u015brodowisk.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Uruchomienie \u015brodowiska symulacyjnego<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">IsaacSim wymaga precyzyjnego zestawu wersji CUDA, sterownik\u00f3w NVIDIA i bibliotek Omniverse. Zamiast instalowa\u0107 je bezpo\u015brednio na ho\u015bcie (co tworzy kruche, trudne do odtworzenia konfiguracje), uruchomili\u015bmy ca\u0142e \u015brodowisko w kontenerze Dockera:<\/p>\n<p>\u00a0<\/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\">xhost +\r\ndocker run --name teleop -it --privileged --gpus all \r\n  -e \"ACCEPT_EULA=Y\" -e \"PRIVACY_CONSENT=Y\" \r\n  -e DISPLAY --rm --network=host \r\n  -v \/dev:\/dev \r\n  -v \/run\/udev:\/run\/udev:ro \r\n  -v $HOME\/.Xauthority:\/root\/.Xauthority \r\n  -v ~\/docker\/isaac-sim\/cache\/kit:\/isaac-sim\/kit\/cache:rw \r\n  -v ~\/docker\/isaac-sim\/cache\/ov:\/root\/.cache\/ov:rw \r\n  -v ~\/.cache\/huggingface\/lerobot\/calibration:\/root\/.cache\/huggingface\/lerobot\/calibration \r\n  -v ~\/Sim-to-Real-SO-101-Workshop:\/workspace\/Sim-to-Real-SO-101-Workshop \r\n  teleop-docker:latest<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Kluczowe flagi: <em>&#8211;gpus all<\/em> daje kontenerowi pe\u0142ny dost\u0119p do GPU niezb\u0119dny do renderowania fizyki, <em>&#8211;network=host<\/em> wsp\u00f3\u0142dzieli sie\u0107 hosta, \u017ceby kontener m\u00f3g\u0142 komunikowa\u0107 si\u0119 z pod\u0142\u0105czonym przez USB robotem, <em>-v \/dev:\/dev<\/em> montuje fizyczne urz\u0105dzenia hosta do kontenera, a wolumen <em>huggingface\/lerobot\/calibration<\/em> gwarantuje, \u017ce dane kalibracyjne robota przetrwaj\u0105 restart kontenera.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przed zebraniem demonstracji skalibrowano oba ramiona i przeprowadzono testy ruch\u00f3w: fizyczne rami\u0119 leader sterowa\u0142o followerem wewn\u0105trz symulacji, a poprawno\u015b\u0107 odwzorowania pozycji przegub\u00f3w weryfikowali\u015bmy przed nagraniem jakichkolwiek epizod\u00f3w.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Dopasowanie sceny i randomizacja domeny<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">\u017beby sim2real mia\u0142o szans\u0119 zadzia\u0142a\u0107, symulacja musi wygl\u0105da\u0107 wystarczaj\u0105co podobnie do rzeczywisto\u015bci. Przyj\u0119li\u015bmy cel: r\u00f3\u017cnica wizualna poni\u017cej 10%, mierzona por\u00f3wnaniem klatek z kamer fizycznych i renderowanych w symulacji. Wymaga\u0142o to dopasowania \u0142a\u0144cucha przegub\u00f3w i zakres\u00f3w ruchu SO-101, geometrii i w\u0142a\u015bciwo\u015bci materia\u0142owych pi\u0142ki i miski oraz pozycji, k\u0105t\u00f3w i pola widzenia wszystkich kamer.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Co to jest Randomizacja domeny?<\/strong> Jest to technika, kt\u00f3ra losuje parametry symulacji przy ka\u017cdym resecie epizodu (pozycja obiekt\u00f3w, o\u015bwietlenie, k\u0105t kamery), sztucznie rozszerzaj\u0105c rozk\u0142ad danych treningowych tak, \u017ceby rzeczywiste warunki mie\u015bci\u0142y si\u0119 w jego obr\u0119bie zamiast poza nim.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Dopasowanie wizualne to jednak nie wszystko. Polityka trenowana na jednej, sta\u0142ej scenie uczy si\u0119 bardzo w\u0105skiego rozk\u0142adu danych. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">O\u015bwietlenie losowali\u015bmy przy ka\u017cdym resecie funkcj\u0105 pr\u00f3bkuj\u0105c\u0105 losow\u0105 ekspozycj\u0119, temperatur\u0119 barwow\u0105 i tekstur\u0119 HDRI ze zbioru map \u015brodowiskowych:<\/p>\n<p>\u00a0<\/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\">\r\ndef randomize_sky_light(env, env_ids, exposure_range, temperature_range, textures_root, asset_cfg=None):\r\n    exposure = math_utils.sample_uniform(*exposure_range, (1,), device=\"cpu\").item()\r\n    temperature = math_utils.sample_uniform(*temperature_range, (1,), device=\"cpu\").item()\r\n    textures = glob.glob(os.path.join(textures_root, \"*.exr\"))\r\n    texture = textures[torch.randint(0, len(textures), (1,)).item()]\r\n    prim.GetAttribute(\"inputs:exposure\").Set(exposure)\r\n    prim.GetAttribute(\"inputs:colorTemperature\").Set(temperature)\r\n    prim.GetAttribute(\"inputs:texture:file\").Set(Sdf.AssetPath(texture))\r\n<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Pozycje pi\u0142ki i miski losowano analogicznie, z ma\u0142ym prawdopodobie\u0144stwem umieszczenia pi\u0142ki ju\u017c w misce (symuluj\u0105c cz\u0119\u015bciowo wykonane zadanie).<\/p>\n<p>\u00a0<\/p>\n<div style=\"display: flex;gap: 16px;margin: 24px 0\">\n<figure style=\"flex: 1;margin: 0\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">IsaacSim: widok z g\u00f3ry na SO-101, Pick Lift Place w symulacji z losowanym o\u015bwietleniem i pozycjami obiekt\u00f3w<\/figcaption><\/figure>\n<figure style=\"flex: 1;margin: 0\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">IsaacSim: widok z nadgarstka SO-101 podczas symulowanego epizodu Pick Lift Place<\/figcaption><\/figure>\n<\/div>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2 style=\"line-height: 1.4\">Wyniki: 30-punktowy gap i jak 10 demonstracji zamkn\u0119\u0142o po\u0142ow\u0119 z niego<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Z dopasowan\u0105 scen\u0105 i randomizacj\u0105 domeny wytrenowali\u015bmy polityk\u0119 ACT na danych symulacyjnych i ocenili\u015bmy j\u0105 w obu \u015brodowiskach.<\/p>\n<p>\u00a0<\/p>\n<h3>Etap 1: polityka trenowana wy\u0142\u0105cznie na danych symulacyjnych<\/h3>\n<p>\u00a0<\/p>\n<table style=\"width:100%;border-collapse:collapse\">\n<thead>\n<tr>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">\u015arodowisko ewaluacji<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Sukcesy<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Skuteczno\u015b\u0107<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Symulacja (IsaacLab)<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">16\/20<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">80%<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Fizyczny robot (transfer 1:1)<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">10\/20<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">50%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Reality gap:<\/strong> r\u00f3\u017cnica w skuteczno\u015bci mi\u0119dzy symulacj\u0105 a fizycznym sprz\u0119tem, wynikaj\u0105ca z tego, \u017ce symulacja nigdy nie odwzorowuje w 100% tarcia, zmienno\u015bci o\u015bwietlenia i szumu sensorycznego rzeczywistego \u015bwiata. Mimo starannego dopasowania sceny polityka napotka\u0142a na fizycznym robocie rozk\u0142ad danych wystarczaj\u0105co r\u00f3\u017cny od treningowego, \u017ceby spa\u015b\u0107 o 30 punkt\u00f3w procentowych. <\/p>\n<p>\u00a0<\/p>\n<h3>Etap 2: dotrenowanie na 10 demonstracjach rzeczywistych<\/h3>\n<p>\u00a0<\/p>\n<table style=\"width:100%;border-collapse:collapse\">\n<thead>\n<tr>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">\u015arodowisko ewaluacji<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Przed fine-tuningiem<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Po fine-tuningu<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Symulacja (IsaacLab)<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">80% (16\/20)<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">75% (15\/20)<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Fizyczny robot<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">50% (10\/20)<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">65% (13\/20)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Co to jest Fine-tuning (dotrenowanie)?<\/strong> Jest to kontynuacja treningu ju\u017c wytrenowanego modelu na ma\u0142ym nowym zbiorze danych, pozwalaj\u0105ca na adaptacj\u0119 do nowych warunk\u00f3w bez utraty wiedzy z oryginalnych danych.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Dodanie zaledwie 10 rzeczywistych epizod\u00f3w podnios\u0142o skuteczno\u015b\u0107 fizyczn\u0105 o 15 punkt\u00f3w procentowych. Jednocze\u015bnie zredukowa\u0142o skuteczno\u015b\u0107 w symulacji o 5 punkt\u00f3w. Najbardziej prawdopodobne wyt\u0142umaczenie: rzeczywiste dane przyci\u0105gn\u0119\u0142y wagi modelu w stron\u0119 innego rozk\u0142adu (inne o\u015bwietlenie, inna dynamika chwytu), poprawiaj\u0105c generalizacj\u0119 do \u015bwiata fizycznego kosztem precyzji w idealnych warunkach symulacyjnych. <\/p>\n<p>\u00a0<\/p>\n<figure style=\"margin: 24px 0\">\n  <img decoding=\"async\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim_real_comparison.jpg\" alt=\"Dopasowanie sceny sim-to-real: render IsaacSim vs klatka z fizycznej kamery, r\u00f3\u017cnica wizualna poni\u017cej 10%\" style=\"width: 100%;border-radius: 8px\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">Zestawienie klatek z kamery symulacji i kamery fizycznej pokazuj\u0105ce dopasowan\u0105 scen\u0119: pi\u0142ka, miska, rami\u0119 SO-101 pod tym samym k\u0105tem<\/figcaption><\/figure>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #eff6ff;color: #1e40af\"><strong>Dlaczego to wa\u017cne:<\/strong> Sim2real nie jest transferem jednostronnym. Model musi znale\u017a\u0107 kompromis mi\u0119dzy dwoma rozk\u0142adami danych. Dotrenowanie na danych rzeczywistych zamyka cz\u0119\u015b\u0107 reality gap, ale poprawa w jednym \u015bwiecie ma wymierny koszt w drugim. Optymalna strategia to co-training: starannie zbalansowana mieszanka danych symulacyjnych i rzeczywistych w jednym przebiegu treningowym, a nie sekwencyjne &#8220;najpierw symulacja, potem prze\u0142\u0105czenie&#8221;.<\/p>\n<p><\/span><br \/>\n\u00a0<br \/>\n\u00a0<\/p>\n<h2>Narz\u0119dzia do zamykania reality gap<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Randomizacja domeny redukuje gap przez poszerzenie rozk\u0142adu treningowego, ale istniej\u0105 dedykowane metody bezpo\u015bredniego jego pomiaru i korekty.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>SAGE<\/strong> estymuje i koryguje rozjazd parametr\u00f3w dynamicznych (tarcie przegub\u00f3w, bezw\u0142adno\u015b\u0107) mi\u0119dzy modelem symulacyjnym a fizycznym zachowaniem robota.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong><a href=\"https:\/\/github.com\/jiemingcui\/gaponet\">GapONet<\/a><\/strong> trenuje osobn\u0105 sie\u0107 modeluj\u0105c\u0105 sam gap: r\u00f3\u017cnic\u0119 mi\u0119dzy tym, co przewiduje symulacja, a tym, co faktycznie robi robot, pozwalaj\u0105c na korekt\u0119 polityki bez pe\u0142nego retrenowania.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Cosmos<\/strong> generuje dodatkowe warianty syntetycznych danych na bazie zebranych epizod\u00f3w, zwi\u0119kszaj\u0105c r\u00f3\u017cnorodno\u015b\u0107 treningow\u0105 bez konieczno\u015bci zbierania nowych fizycznych demonstracji.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Co dalej<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">W przysz\u0142ym tygodniu modyfikujemy scen\u0119 symulacyjn\u0105, \u017ceby lepiej dopasowa\u0107 j\u0105 do rzeczywisto\u015bci, oraz przechodzimy z uczenia przez imitacj\u0119 na uczenie przez <strong><a href=\"https:\/\/www.geeksforgeeks.org\/machine-learning\/what-is-reinforcement-learning\/\">wzmocnienie (reinforcement learning, RL)<\/a><\/strong>. Por\u00f3wnanie obu podej\u015b\u0107 w kontek\u015bcie sim2real to jedno z otwartych pyta\u0144 w manipulacji robotycznej: RL mo\u017ce eksplorowa\u0107 strategie, kt\u00f3re nigdy nie pojawi\u0142y si\u0119 w ludzkich demonstracjach, ale wymaga te\u017c staranniejszego projektowania funkcji nagrody i jest trudniejszy do stabilizacji na granicy sim-to-real. <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>FAQ<\/h2>\n<p>\u00a0<\/p>\n<h3>Czym jest transfer sim-to-real w robotyce?<\/h3>\n<p style=\"text-align: justify\">Transfer sim-to-real to technika trenowania polityki robotycznej w symulatorze fizycznym i wdra\u017cania jej na fizycznym robocie, redukuj\u0105ca koszty zbierania danych i zu\u017cycie sprz\u0119tu. Wyzwaniem jest to, \u017ce symulacja nigdy nie odwzorowuje w pe\u0142ni rzeczywisto\u015bci, tworz\u0105c luk\u0119 w skuteczno\u015bci zwan\u0105 reality gap. <\/p>\n<p>\u00a0<\/p>\n<h3>Czym jest reality gap w uczeniu robot\u00f3w?<\/h3>\n<p style=\"text-align: justify\">Reality gap to r\u00f3\u017cnica w skuteczno\u015bci mi\u0119dzy polityk\u0105 ewaluowan\u0105 w symulacji a t\u0105 sam\u0105 polityk\u0105 dzia\u0142aj\u0105c\u0105 na fizycznym robocie. Wynika z r\u00f3\u017cnic w tarciu, o\u015bwietleniu, szumie sensorycznym i dynamice obiekt\u00f3w, kt\u00f3rych symulacja nie jest w stanie w pe\u0142ni odwzorowa\u0107.<br \/>\n\u00a0<\/p>\n<h3>Czym jest randomizacja domeny?<\/h3>\n<p style=\"text-align: justify\">Randomizacja domeny to technika treningowa, kt\u00f3ra losuje parametry symulacji (o\u015bwietlenie, pozycje obiekt\u00f3w, k\u0105ty kamer) przy ka\u017cdym resecie epizodu, \u017ceby polityka uczy\u0142a si\u0119 szerokiego rozk\u0142adu warunk\u00f3w zamiast w\u0105skiej, sta\u0142ej sceny, zwi\u0119kszaj\u0105c szans\u0119 na generalizacj\u0119 do rzeczywisto\u015bci.<\/p>\n<p>\u00a0<\/p>\n<h3>Co to jest IsaacSim?<\/h3>\n<p style=\"text-align: justify\">IsaacSim to symulator fizyczny NVIDIA do robotyki, u\u017cywany do tworzenia wiernych \u015brodowisk wirtualnych do treningu i testowania polityk robotycznych. IsaacLab to framework zbudowany na IsaacSim integruj\u0105cy si\u0119 z pipeline&#8217;ami uczenia robot\u00f3w, takimi jak LeRobot. <\/p>\n<p>\u00a0<\/p>\n<h3>Ile demonstracji rzeczywistych potrzeba do fine-tuningu po sim-to-real?<\/h3>\n<p style=\"text-align: justify\">W naszym eksperymencie 10 rzeczywistych demonstracji dodanych do polityki wytrenowanej na symulacji podnios\u0142o skuteczno\u015b\u0107 fizyczn\u0105 o 15 punkt\u00f3w procentowych (z 50% do 65%), pokazuj\u0105c, \u017ce nawet bardzo ma\u0142y zbi\u00f3r danych rzeczywistych potrafi cz\u0119\u015bciowo zamkn\u0105\u0107 reality gap bez konieczno\u015bci zbierania setek fizycznych epizod\u00f3w.<\/p>\n<p>\u00a0<\/p>\n<h3>Czym jest co-training w sim-to-real?<\/h3>\n<p style=\"text-align: justify\">Co-training to strategia mieszaj\u0105ca dane symulacyjne i rzeczywiste w jednym przebiegu treningowym zamiast trenowa\u0107 sekwencyjnie najpierw na symulacji, a potem dotrenowywa\u0107 na realu. Celem jest polityka generalizuj\u0105ca do obu rozk\u0142ad\u00f3w jednocze\u015bnie, redukuj\u0105ca kompromis skuteczno\u015bciowy obserwowany przy optymalizacji tylko pod jeden \u015bwiat. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>W symulacji wytrenowana polityka osi\u0105gn\u0119\u0142a 80%. Na fizycznym ramieniu SO-101 ta sama polityka osi\u0105gn\u0119\u0142a 50%. Po dotrenowaniu na 10 rzeczywistych demonstracjach wskoczyli\u015bmy na 65% w realu, ale w symulacji spadli\u015bmy do 75%. Poprawa w jednym \u015bwiecie ma sw\u00f3j koszt w drugim. \u00a0 \u00a0 TL;DR \u00a0 Tydzie\u0144 4 to nasz pierwszy pe\u0142ny eksperyment z transferem sim-to-real [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":9213,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1,203],"tags":[],"class_list":["post-8282","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-bez-kategorii","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>LeRobot Tydzie\u0144 4: wyniki transferu sim-to-real z IsaacSim<\/title>\n<meta name=\"description\" content=\"Polityka ACT w IsaacSim: 80% w symulacji, 50% na fizycznym SO-101. Fine-tuning na 10 demonstracjach podnios\u0142o wynik do 65% kosztem 5pp w symulacji.\" \/>\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\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"LeRobot Tydzie\u0144 4: wyniki transferu sim-to-real z IsaacSim\" \/>\n<meta property=\"og:description\" content=\"Polityka ACT w IsaacSim: 80% w symulacji, 50% na fizycznym SO-101. Fine-tuning na 10 demonstracjach podnios\u0142o wynik do 65% kosztem 5pp w symulacji.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/\" \/>\n<meta property=\"og:site_name\" content=\"xBerry\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-13T10:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-11T11:07:05+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_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":"LeRobot Tydzie\u0144 4: wyniki transferu sim-to-real z IsaacSim","description":"Polityka ACT w IsaacSim: 80% w symulacji, 50% na fizycznym SO-101. Fine-tuning na 10 demonstracjach podnios\u0142o wynik do 65% kosztem 5pp w symulacji.","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\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/","og_locale":"pl_PL","og_type":"article","og_title":"LeRobot Tydzie\u0144 4: wyniki transferu sim-to-real z IsaacSim","og_description":"Polityka ACT w IsaacSim: 80% w symulacji, 50% na fizycznym SO-101. Fine-tuning na 10 demonstracjach podnios\u0142o wynik do 65% kosztem 5pp w symulacji.","og_url":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/","og_site_name":"xBerry","article_published_time":"2026-07-13T10:00:00+00:00","article_modified_time":"2026-09-11T11:07:05+00:00","og_image":[{"width":810,"height":486,"url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_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\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#article","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/"},"author":{"name":"Klaudia Slusarczyk","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/85c9937f32423916a153cb2388f9d482"},"headline":"xBerry Robotic Arm Project Tydzie\u0144 4: sim-to-real &#8211; 80% w symulacji, 50% w realu i co naprawi\u0142o 10 demonstracji","datePublished":"2026-07-13T10:00:00+00:00","dateModified":"2026-09-11T11:07:05+00:00","mainEntityOfPage":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/"},"wordCount":1541,"commentCount":0,"publisher":{"@id":"https:\/\/xberry.tech\/pl\/#organization"},"image":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_pl.png","articleSection":{"1":"Robotyka"},"inLanguage":"pl-PL","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/","url":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/","name":"LeRobot Tydzie\u0144 4: wyniki transferu sim-to-real z IsaacSim","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#primaryimage"},"image":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_pl.png","datePublished":"2026-07-13T10:00:00+00:00","dateModified":"2026-09-11T11:07:05+00:00","description":"Polityka ACT w IsaacSim: 80% w symulacji, 50% na fizycznym SO-101. Fine-tuning na 10 demonstracjach podnios\u0142o wynik do 65% kosztem 5pp w symulacji.","breadcrumb":{"@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#primaryimage","url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_pl.png","contentUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/sim-to-real_pl.png","width":810,"height":486},{"@type":"BreadcrumbList","@id":"https:\/\/xberry.tech\/pl\/xberry-lerobot-tydzien-4-sim-to-real-80-w-symulacji-50-w-realu-i-co-naprawilo-10-demonstracji\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/xberry.tech\/pl\/"},{"@type":"ListItem","position":2,"name":"xBerry Robotic Arm Project Tydzie\u0144 4: sim-to-real &#8211; 80% w symulacji, 50% w realu i co naprawi\u0142o 10 demonstracji"}]},{"@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\/8282","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=8282"}],"version-history":[{"count":48,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8282\/revisions"}],"predecessor-version":[{"id":8611,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8282\/revisions\/8611"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media\/9213"}],"wp:attachment":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media?parent=8282"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/categories?post=8282"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/tags?post=8282"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}