{"id":8510,"date":"2026-07-29T10:22:02","date_gmt":"2026-07-29T08:22:02","guid":{"rendered":"https:\/\/xberry.tech\/?p=8510"},"modified":"2026-09-11T13:01:55","modified_gmt":"2026-09-11T11:01:55","slug":"podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly","status":"publish","type":"post","link":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/","title":{"rendered":"Podsumowanie etapu ACT: co 4 tygodnie trenowania robota naprawd\u0119 nas nauczy\u0142y"},"content":{"rendered":"<p style=\"text-align: justify\"><strong>Przeprowadzili\u015bmy ponad 100 fizycznych pr\u00f3b ewaluacyjnych, wytrenowali\u015bmy dwa modele od zera i odkryli\u015bmy, \u017ce model z wi\u0119ksz\u0105 liczb\u0105 sensor\u00f3w wypad\u0142 gorzej. Cztery tygodnie uczenia przez imitacj\u0119 z algorytmem ACT na ramieniu SO-101: co znale\u017ali\u015bmy, co nas zaskoczy\u0142o i co robimy dalej. <\/strong><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>TL;DR<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przez cztery tygodnie zbudowali\u015bmy kompletny pipeline uczenia przez imitacj\u0119 dla ramienia SO-101 z u\u017cyciem frameworka LeRobot i algorytmu ACT. Zebrali\u015bmy 90 epizod\u00f3w treningowych, wytrenowali\u015bmy warianty polityki RGB i RGBD, ocenili\u015bmy je w 60 pr\u00f3bach fizycznych, a nast\u0119pnie przeprowadzili\u015bmy pe\u0142ny eksperyment sim-to-real w IsaacSim. Kluczowe wyniki: RGB pokona\u0142o RGBD (50% vs 43,3%), polityka z symulacji osi\u0105gn\u0119\u0142a 80% w IsaacSim i tylko 50% na fizycznym robocie, a 10 demonstracji z rzeczywisto\u015bci zamkn\u0119\u0142o po\u0142ow\u0119 tej luki. Optymalna strategia, kt\u00f3r\u0105 zidentyfikowali\u015bmy, to nie &#8220;najpierw symulacja&#8221; ani &#8220;tylko dane rzeczywiste&#8221;, lecz co-training na obu \u017ar\u00f3d\u0142ach jednocze\u015bnie.   <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>O czym by\u0142 ten etap<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">W czerwcu 2026 ustawili\u015bmy dwa ramiona SO-101 w konfiguracji Leader-Follower i postawili\u015bmy proste pytanie: czy robot mo\u017ce nauczy\u0107 si\u0119 podnosi\u0107 pi\u0142k\u0119 i wk\u0142ada\u0107 j\u0105 do pojemnika, obserwuj\u0105c wy\u0142\u0105cznie, jak robi to cz\u0142owiek?<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Uczenie przez imitacj\u0119 (imitation learning, IL):<\/strong> metoda trenowania robot\u00f3w, w kt\u00f3rej polityka uczy si\u0119 na podstawie nagranych demonstracji cz\u0142owieka, bez programowania trajektorii ani definiowania funkcji nagr\u00f3d. <strong>ACT (Action Chunking with Transformers):<\/strong> algorytm uczenia przez imitacj\u0119, kt\u00f3ry przewiduje ca\u0142e sekwencje przysz\u0142ych ruch\u00f3w jednocze\u015bnie zamiast krok po kroku, eliminuj\u0105c kumulowanie si\u0119 b\u0142\u0119d\u00f3w predykcji typowe dla klasycznych modeli.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Zadanie benchmarkowe to <strong>Pick, Lift and Place (PLP)<\/strong>: chwy\u0107 pi\u0142k\u0119 z jednej z sze\u015bciu pozycji startowych, unie\u015b j\u0105 i umie\u015b\u0107 w pojemniku. Proste do opisania i wystarczaj\u0105co wymagaj\u0105ce, \u017ceby pokaza\u0107 ka\u017cd\u0105 s\u0142abo\u015b\u0107 pipeline&#8217;u. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Wi\u0119cej o nazych pocz\u0105tkach mo\u017cesz przeczyta\u0107 w artykule: <strong><a href=\"https:\/\/xberry.tech\/xberry-lerobot-how-we-built-an-imitation-learning-setup\/\">Jak zbudowali\u015bmy stanowisko do uczenia przez imitacj\u0119.<\/a><\/strong><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Tydzie\u0144 1: najpierw przysz\u0142a lekcja od sprz\u0119tu<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Zanim zebrali\u015bmy cho\u0107 jeden u\u017cyteczny epizod treningowy, w po\u0142owie nagrywania pad\u0142o serwo. LeRobot zinterpretowa\u0142 sygna\u0142 b\u0142\u0119du sprz\u0119towego jako naturalne zako\u0144czenie epizodu i przerwa\u0142 sesj\u0119. Stracili\u015bmy dane.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Rozwi\u0105zanie by\u0142o proste z perspektywy czasu: przeprojektowa\u0107 pipeline tak, by ka\u017cdy uko\u0144czony epizod by\u0142 zapisywany i wysy\u0142any na HuggingFace natychmiast po zako\u0144czeniu, zanim rozpocznie si\u0119 kolejny. Zapis na poziomie sesji zak\u0142ada, \u017ce sesja dojdzie do ko\u0144ca. Sprz\u0119t tego nie respektuje.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #d0e0e3;color: #134f5c\"><b>Nie tylko my: <\/b>Sherry Chen odnotowa\u0142a niemal identyczn\u0105 awari\u0119 systemu podczas <strong><a href=\"https:\/\/huggingface.co\/blog\/sherryxychen\/train-act-on-so-101\">trenowania modelu ACT na tym samym sprz\u0119cie SO-101<\/a><\/strong> \u2013 obejmowa\u0142a ona roz\u0142\u0105czanie si\u0119 kamery, problemy z kalibracj\u0105 oraz zu\u017cycie silnika chwytaka wskutek nadmiernej si\u0142y u\u017cytej podczas teleoperacji. Gromadzenie danych w rzeczywistych warunkach jest znacznie bardziej skomplikowane i problematyczne, ni\u017c sugeruj\u0105 to jakiekolwiek poradniki. <\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Rozwi\u0105zanie by\u0142o proste z perspektywy czasu: przeprojektowa\u0107 pipeline tak, by ka\u017cdy uko\u0144czony epizod by\u0142 zapisywany i wysy\u0142any na HuggingFace natychmiast po zako\u0144czeniu, zanim rozpocznie si\u0119 kolejny. Zapis na poziomie sesji zak\u0142ada, \u017ce sesja dojdzie do ko\u0144ca. Sprz\u0119t tego nie respektuje. <br \/>Po wdro\u017ceniu checkpointingu na poziomie epizodu zebrali\u015bmy 90 epizod\u00f3w treningowych w 6 strefach startowych, 15 na stref\u0119, z celow\u0105 wariacj\u0105 u\u0142o\u017cenia pi\u0142ki wewn\u0105trz ka\u017cdej strefy. Jedno ograniczenie obowi\u0105zywa\u0142o przez ca\u0142y czas: \u015brodowisko pozostawa\u0142o niezmienione &#8211; to samo o\u015bwietlenie, te same pozycje kamer, to samo t\u0142o. Modele uczenia przez imitacj\u0119 koreluj\u0105 dane wizualne z ruchami staw\u00f3w, a zmiana \u015brodowiska mi\u0119dzy epizodami wprowadza szum, kt\u00f3rego model nie jest w stanie oddzieli\u0107 od sygna\u0142u.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><b>Rozpocz\u0119li\u015bmy nagrywanie epizod\u00f3w u\u017cywaj\u0105c tej komendy<\/b> <span>\u25bc<\/span><br \/>\n\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\">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>\u00a0<\/p>\n<p style=\"text-align: justify\">Chcesz wiedzie\u0107 wi\u0119cej? Przeczytaj artyku\u0142 o  <a href=\"https:\/\/xberry.tech\/xberry-lerobot-week-1-collecting-90-training-episodes-for-imitation-learning\/\"><strong>Tygodniu 1 &#8211; Zbieranie 90 epizod\u00f3w treningowych do uczenia przez na\u015bladowanie<\/a>.<\/strong><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Tydzie\u0144 2: dwa modele, jedno otwarte pytanie<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Proces uczenia przeprowadzono na pojedynczym uk\u0142adzie GPU NVIDIA RTX PRO 4000 Blackwell, wykonuj\u0105c 50 000 krok\u00f3w. Wytrenowano dwa warianty <a href=\"https:\/\/huggingface.co\/docs\/lerobot\/act\">strategii ACT<\/a>: wykorzystuj\u0105cy wy\u0142\u0105cznie obraz RGB (2,5 godziny) oraz RGBD, uwzgl\u0119dniaj\u0105cy dodatkowo mapy g\u0142\u0119bi z dw\u00f3ch kamer Intel RealSense (5 godzin; czas ten wynika\u0142 z wi\u0119kszej ilo\u015bci danych przetwarzanych w ramach pojedynczej pr\u00f3bki). W obu przypadkach proces uczenia przebieg\u0142 pomy\u015blnie, prowadz\u0105c do stabilnej zbie\u017cno\u015bci.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przyst\u0119puj\u0105c do oceny, zak\u0142adali\u015bmy, \u017ce dane o g\u0142\u0119bi pozwol\u0105 modelowi lepiej postrzega\u0107 przestrze\u0144 tr\u00f3jwymiarow\u0105 i zwi\u0119ksz\u0105 precyzj\u0119 chwytania. By\u0142o to uzasadnione za\u0142o\u017cenie. Okaza\u0142o si\u0119 ono jednak b\u0142\u0119dne, a przynajmniej b\u0142\u0119dne w pewnych, nieprzewidzianych przez nas okoliczno\u015bciach.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><b>Zacz\u0119li\u015bmy trenowa\u0107 u\u017cywaj\u0105c nast\u0119puj\u0105cej komendy<\/b> <span>\u25bc<\/span><\/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\">lerobot-record \r\n--robot.type=so100_follower \r\n--robot.port=\/dev\/ttyACM0 \r\n--robot.id=my_robot \r\n--robot.cameras=\"{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30}}\" \r\n--display_data=true \r\n--dataset.repo_id=${HF_USER}\/eval_act_your_dataset \r\n--dataset.num_episodes=10 \r\n--dataset.single_task=\"Your task description\" \r\n--dataset.streaming_encoding=true \r\n--dataset.encoder_threads=2 \r\n# --dataset.vcodec=auto \r\n--policy.path=${HF_USER}\/act_policy<\/pre>\n<\/div>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Dowiedz si\u0119 wi\u0119cej na temat <b><a href=\"https:\/\/xberry.tech\/xberry-lerobot-week-2-training-act-on-rgb-and-depth-data\/\">Tygodnia 2 &#8211; Trenowanie modele ACT \u2013 RGB i RGB+g\u0142\u0119bia<\/a><\/b>.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2 style=\"line-height: 1.4\">Tydzie\u0144 3: pomiar g\u0142\u0119bi sprawdzi\u0142 si\u0119 tam, gdzie czujniki mia\u0142y widoczno\u015b\u0107, a zawi\u00f3d\u0142 wsz\u0119dzie indziej<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Czym jest okluzja?<\/strong> Jest to sytuacja, w kt\u00f3rej obiekt znajduje si\u0119 poza zasi\u0119giem pewnego pola widzenia czujnika, co skutkuje zaszumionymi lub niepe\u0142nymi odczytami g\u0142\u0119bi. W pozycji nr 5 pi\u0142ka zlewa\u0142a si\u0119 z t\u0142em, zamiast zosta\u0107 zarejestrowana jako wyra\u017ana powierzchnia w mierzalnej odleg\u0142o\u015bci. Prawdopodobn\u0105 drug\u0105 przyczyn\u0105 by\u0142 b\u0142\u0105d kalibracji uk\u0142adu r\u0119ka-oko, sprawiaj\u0105cy, \u017ce sygna\u0142 g\u0142\u0119bi wprowadza szum przestrzenny zamiast informacji przestrzennej. Model RGB nie jest nara\u017cony na ten rodzaj szumu, poniewa\u017c w og\u00f3le nie wykorzystuje danych o g\u0142\u0119bi.   <\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przeprowadzili\u015bmy 60 pr\u00f3b oceny w warunkach rzeczywistych: po 30 dla ka\u017cdego modelu, z uwzgl\u0119dnieniem 5 pozycji startowych. G\u0142\u00f3wne wyniki: 50,0% dla modelu RGB oraz 43,3% dla RGBD. Jednak to szczeg\u00f3\u0142owe zestawienie wynik\u00f3w w podziale na poszczeg\u00f3lne pozycje dostarcza bardziej warto\u015bciowych informacji.  <\/p>\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\">Pozycja startowa<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">RGB<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">RGB-D<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 0<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">40%<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\"><strong>100%<\/strong><\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 1<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">40%<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">20%<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 2<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">60%<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\"><strong>80%<\/strong><\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 3<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">20%<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">20%<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 4<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">60%<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">20%<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">Index 5<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\"><strong>80%<\/strong><\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">20%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Na pozycjach 0 i 2, znajduj\u0105cych si\u0119 w optymalnym polu widzenia kamery RealSense D435, system RGBD uzyska\u0142 wyniki odpowiednio 100% i 80%. Na pozycji 5 &#8211; przy kraw\u0119dzi obszaru roboczego i pod niekorzystnym k\u0105tem wzgl\u0119dem obu czujnik\u00f3w g\u0142\u0119bi &#8211; system RGBD osi\u0105gn\u0105\u0142 wynik 20%, podczas gdy system RGB uzyska\u0142 80%. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #eff6ff;color: #1e40af\"><strong>Dlaczego to ma znaczenie:<\/strong> Wi\u0119ksza liczba czujnik\u00f3w nie przek\u0142ada si\u0119 automatycznie na lepsz\u0105 strategi\u0119 dzia\u0142ania. Ka\u017cdy czujnik dostarcza u\u017cytecznych danych jedynie w obr\u0119bie tzw. okna percepcji, wyznaczonego przez jego fizyczne umiejscowienie oraz jako\u015b\u0107 kalibracji. Poza tym zakresem czujnik mo\u017ce pogorszy\u0107 skuteczno\u015b\u0107 systemu w por\u00f3wnaniu z prostszym modelem, kt\u00f3ry ca\u0142kowicie go pomija.<\/p>\n<p>  <\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><b>Ocenili\u015bmy RGBD, wykorzystuj\u0105c t\u0105 komend\u0119<\/b> <span>\u25bc<\/span><br \/>\n\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\">python scripts\/eval_policy.py \r\n  --policy-path=xBerry\/lerobot_act_policy \r\n  --repo-id=xBerry\/eval_lerobot_policy_rollout \r\n  --root=.\/datasets\/eval_lerobot_policy_rollout \r\n  --task=\"Pick the object and place it in the container\" \r\n  --fps=15 \r\n  --num-episodes=10 \r\n  --episode-time-s=30 \r\n  --reset-time-s=15 \r\n  --robot-port=\/dev\/ttyUSB0 \r\n  --robot-id=white_arm \r\n  --robot-calibration-dir=.\/local_calibration\/robots\/so_follower \r\n  --resume<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Oraz ocenili\u015bmy RGB-only u\u017cywaj\u0105c tej komendy <span>\u25bc<\/span><br \/>\n\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\">python scripts\/eval_policy.py \r\n  --policy-path=xBerry\/lerobot_act_rgb_policy \r\n  --rgb-only \r\n  --repo-id=xBerry\/eval_lerobot_policy_rollout \r\n  --root=.\/datasets\/eval_lerobot_policy_rollout \r\n  --task=\"Pick the object and place it in the container\" \r\n  --fps=15 \r\n  --num-episodes=10 \r\n  --episode-time-s=30 \r\n  --reset-time-s=15 \r\n  --robot-port=\/dev\/ttyUSB0 \r\n  --robot-id=white_arm \r\n  --robot-calibration-dir=.\/local_calibration\/robots\/so_follower<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przeczytaj wi\u0119cje o <b><a href=\"https:\/\/xberry.tech\/xberry-lerobot-week-3-rgb-vs-rgbd-60-trials-one-surprising-winner\/\">Tygodniu 3 &#8211; RGB vs RGBD \u2013 60 pr\u00f3b, jeden zaskakuj\u0105cy wynik.<\/a><\/b><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Tydzie\u0144 4: 80% w symulacji, 50% w rzeczywisto\u015bci<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Gromadzenie wi\u0119kszej liczby fizycznych demonstracji to powolna i kosztowna droga do poprawy wydajno\u015bci: ka\u017cda pr\u00f3ba wymaga r\u0119cznego przywr\u00f3cenia stanowiska pracy do stanu wyj\u015bciowego, wi\u0105\u017ce si\u0119 ze zu\u017cyciem mechanicznym ramienia, a poszczeg\u00f3lnych pr\u00f3b nie mo\u017cna przeprowadza\u0107 r\u00f3wnolegle. Symulacja eliminuje wszystkie trzy te ograniczenia. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Stworzyli\u015bmy cyfrowego bli\u017aniaka stanowiska SO-101 w \u015brodowisku <a href=\"https:\/\/docs.isaacsim.omniverse.nvidia.com\/latest\/index.html\">IsaacSim<\/a> (symulatorze fizyki dla robotyki firmy NVIDIA), odwzorowali\u015bmy scen\u0119 z dok\u0142adno\u015bci\u0105 wizualn\u0105 na poziomie 90% (r\u00f3\u017cnica wizualna poni\u017cej 10%) i zastosowali\u015bmy <strong>randomizacj\u0119 domenow\u0105<\/strong>. Jest to technika polegaj\u0105ca na losowaniu parametr\u00f3w symulacji przy ka\u017cdym jej restarcie \u2013 w tym o\u015bwietlenia, pozycji obiekt\u00f3w i ustawie\u0144 kamery \u2013 w celu poszerzenia rozk\u0142adu danych treningowych tak, aby warunki rzeczywiste mie\u015bci\u0142y si\u0119 w jego zakresie, a nie poza nim. Strategia wytrenowana wy\u0142\u0105cznie na danych symulacyjnych osi\u0105gn\u0119\u0142a wynik 80% w \u015brodowisku IsaacSim oraz 50% w przypadku robota rzeczywistego, co oznacza r\u00f3\u017cnic\u0119 (tzw. *reality gap*) na poziomie 30 punkt\u00f3w procentowych. <\/p>\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 proces dalszego trenowania modelu, kt\u00f3ry zosta\u0142 ju\u017c wcze\u015bniej wytrenowany, z wykorzystaniem niewielkiego, nowego zbioru danych, co pozwala mu dostosowa\u0107 si\u0119 do nowych warunk\u00f3w bez utraty wcze\u015bniej zdobytej wiedzy.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Dostrajanie modelu w oparciu o zaledwie 10 rzeczywistych demonstracji podnios\u0142o skuteczno\u015b\u0107 dzia\u0142ania w \u015bwiecie rzeczywistym do 65%, lecz obni\u017cy\u0142o j\u0105 w \u015brodowisku symulacyjnym z 80% do 75%. Rzeczywiste dane przesun\u0119\u0142y wagi modelu w stron\u0119 odmiennego rozk\u0142adu, poprawiaj\u0105c zdolno\u015b\u0107 do generalizacji w \u015bwiecie fizycznym kosztem mierzalnego spadku wydajno\u015bci w idealnych warunkach symulacji. Wyniki te wskazuj\u0105, \u017ce lepsz\u0105 strategi\u0105 jest wsp\u00f3lne trenowanie (co-training) na starannie dobranym zbiorze danych \u0142\u0105cz\u0105cym materia\u0142y z symulacji i \u015bwiata rzeczywistego, zamiast traktowania tych dw\u00f3ch etap\u00f3w jako sekwencyjnych faz procesu.  <\/p>\n<p>\u00a0<\/p>\n<figure style=\"margin:0\"><figcaption style=\"font-size:13px;color:#666;margin-top:8px;text-align:center\">Nagranie z symulacji przedstawiaj\u0105ce poprawion\u0105 precyzj\u0119 chwytania po dostrojeniu na podstawie 10 rzeczywistych demonstracji.<\/figcaption><\/figure>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Uruchomili\u015bmy ca\u0142e \u015brodowisko w kontenerze Dockera, u\u017cywaj\u0105c tego polecenia<\/strong> <span>\u25bc<\/span><br \/>\n\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\">Je\u015bli chcesz wiedzie\u0107 wi\u0119cej, sprawd\u017a jak nam posz\u0142o w <b><a href=\"https:\/\/xberry.tech\/xberry-lerobot-week-4-sim-to-real-transfer-80-in-simulation-50-in-reality-and-what-10-demonstrations-fixed\/\">Tygodniu 4 &#8211; sim-to-real \u2013 80% w symulacji, 50% w realu i co naprawi\u0142o 10 demonstracji<\/a><\/b>.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2 style=\"line-height: 1.4\">Moment, kt\u00f3rego nikt si\u0119 nie spodziewa\u0142: chwila, gdy pi\u0142ka si\u0119 wymkn\u0119\u0142a.<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><b>Jakie jest rozwi\u0105zanie sprzeczne z intuicj\u0105?<\/b> Podczas gromadzenia danych celowo uwzgl\u0119dnia si\u0119 przypadki niepowodzenia. Nale\u017cy popchn\u0105\u0107 pi\u0142k\u0119, pozwoli\u0107 jej si\u0119 oddali\u0107, upu\u015bci\u0107 j\u0105 poza zasi\u0119g ramienia robota, a nast\u0119pnie skierowa\u0107 go z powrotem do pozycji wyj\u015bciowej. Takie epizody odzyskiwania sprawno\u015bci ucz\u0105 model, \u017ce ucieczka pi\u0142ki to rozpoznawalny stan, kt\u00f3ry wymaga w\u0142a\u015bciwej reakcji: powrotu do punktu wyj\u015bcia i ponownej pr\u00f3by. Robot potrafi\u0105cy poradzi\u0107 sobie z nieudan\u0105 pr\u00f3b\u0105 chwytu jest znacznie bardziej niezawodny ni\u017c taki, kt\u00f3ry wykonuje chaotyczne, nieskuteczne ruchy.   <\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Jeden z wniosk\u00f3w zawartych w ko\u0144cowym raporcie z ewaluacji zas\u0142uguje na osobne om\u00f3wienie: awaria typu <strong>Out-of-Distribution (OOD)<\/strong>.<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Czym jest Out-of-Distribution (OOD)?<\/strong> Jest to sytuacja, w kt\u00f3rej model podczas ewaluacji napotyka stan nieobecny w danych treningowych. W uczeniu przez na\u015bladownictwo dane spoza rozk\u0142adu (OOD) prowadz\u0105 do za\u0142amania dzia\u0142ania strategii \u2013 zamiast \u0142agodnego pogorszenia jako\u015bci pracy obserwujemy chaotyczne i nieprzewidywalne ruchy element\u00f3w uk\u0142adu. <\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Nagrywali\u015bmy wy\u0142\u0105cznie udane demonstracje: pi\u0142ka by\u0142a zawsze podnoszona i odk\u0142adana poprawnie. Gdy podczas ewaluacji pi\u0142ka wy\u015blizn\u0119\u0142a si\u0119 z chwytaka, model nie mia\u0142 wyuczonej odpowiedzi na ten stan. Rami\u0119 si\u0119 wywija\u0142o. Uderza\u0142o w st\u00f3\u0142. Ruchy by\u0142y ca\u0142kowicie losowe.     <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #eff6ff;color: #1e40af\"><strong>Dlaczego to wa\u017cne:<\/strong> Polityka uczenia przez imitacj\u0119 jest tak odporna, jak rozk\u0142ad danych, na kt\u00f3rym j\u0105 wytrenowano. Ka\u017cdy stan, kt\u00f3ry nigdy nie pojawi\u0142 si\u0119 w treningu, wywo\u0142a ca\u0142kowite za\u0142amanie. Epizody z b\u0142\u0119dami i odzyskiwaniem kontroli to nie opcja &#8211; to podstawowy wym\u00f3g ka\u017cdego deployowalnego systemu physical AI.  <\/span><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Co zrobiliby\u015bmy inaczej<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Patrz\u0105c wstecz na cztery tygodnie, wyr\u00f3\u017cniaj\u0105 si\u0119 trzy lekcje.<\/p>\n<p>\u00a0<\/p>\n<h3>Dob\u00f3r obserwacji jest wa\u017cniejszy ni\u017c ich liczba.<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Potwierdzili\u015bmy to dwukrotnie: RGBD pogorszy\u0142o wyniki na pozycjach brzegowych, a zmniejszenie liczby kamer w setupie symulacyjnym poprawi\u0142o transfer sim2real (robot przesta\u0142 trenowa\u0107 na obserwacjach, kt\u00f3rych nie mia\u0142 podczas fizycznego wdro\u017cenia). W\u0142a\u015bciwe sensory, poprawnie skalibrowane i umieszczone, wygrywaj\u0105 z bogatszym, ale bardziej zaszumionym zestawem. <\/p>\n<p>\u00a0<\/p>\n<h3>Randomizacja domeny powinna obejmowa\u0107 w\u0142a\u015bciwo\u015bci mechaniczne, nie tylko wizualne.<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">W Tygodniu 4 randomizowali\u015bmy o\u015bwietlenie i pozycje obiekt\u00f3w. Czego brakowa\u0142o: tarcie serw, bezw\u0142adno\u015b\u0107 przegub\u00f3w, op\u00f3r materia\u0142\u00f3w. Te dynamiczne r\u00f3\u017cnice mi\u0119dzy symulacj\u0105 a sprz\u0119tem kumuluj\u0105 si\u0119 przez ca\u0142\u0105 trajektori\u0119. Szersza randomizacja (obejmuj\u0105ca w\u0142a\u015bciwo\u015bci fizyczne) da\u0142aby lepszy transfer bez dodatkowych danych rzeczywistych.<\/p>\n<p>\u00a0<\/p>\n<h3>Identyfikacja systemu powinna poprzedza\u0107 randomizacj\u0119 domeny.<\/h3>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">Dok\u0142adna dokumentacja ka\u017cdego parametru fizycznego robota przed konfiguracj\u0105 symulatora \u2014 zakresy przegub\u00f3w, krzywe momentu serw, parametry wewn\u0119trzne kamer &#8211; redukuje bazowy gap sim2real jeszcze przed w\u0142\u0105czeniem randomizacji. Dobrze scharakteryzowana symulacja z szerok\u0105 randomizacj\u0105 jest silniejsza ni\u017c ka\u017cde z tych podej\u015b\u0107 osobno. <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Co dalej: uczenie przez wzmocnienie<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Czym jest uczenie przez wzmocnienie (reinforcement learning RL)?<\/strong> Jest to paradygmat, w kt\u00f3rym agent uczy si\u0119 optymalnej polityki przez interakcj\u0119 ze \u015brodowiskiem metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w, maksymalizuj\u0105c skumulowan\u0105 nagrod\u0119 bez potrzeby oznakowanych danych demonstracyjnych.<\/span><\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Kolejny etap projektu przechodzi od uczenia przez imitacj\u0119 do uczenia przez wzmocnienie (reinforcement learning, RL).<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Gdzie ACT jest ograniczony tym, co pokaza\u0142 cz\u0142owiek, RL mo\u017ce eksplorowa\u0107 strategie, kt\u00f3re nigdy nie pojawi\u0142y si\u0119 w \u017cadnym nagraniu. Koszt to projektowanie funkcji nagrody: precyzyjne okre\u015blenie, co znaczy &#8220;dobrze&#8221; w fizycznym zadaniu manipulacyjnym, wymaga starannej in\u017cynierii. Por\u00f3wnamy algorytmy off-policy (SAC, TD3) i on-policy (PPO) na tym samym zadaniu Pick, Lift and Place w kontek\u015bcie sim2real: kt\u00f3ra rodzina algorytm\u00f3w lepiej transferuje si\u0119 z IsaacSim na fizyczne rami\u0119 SO-101?  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Zbadamy te\u017c <strong><a href=\"\/\/research.nvidia.com\/labs\/cosmos-lab\/cosmos3\/\">Cosmos3 od NVIDIA<\/a> do augmentacji datasetu<\/strong>: generowania fotorealistycznych wariant\u00f3w wideo na podstawie output\u00f3w symulatora, redukuj\u0105c domain gap bez konieczno\u015bci zbierania dodatkowych danych z rzeczywisto\u015bci.<\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>FAQ<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Czym jest ACT (Action Chunking with Transformers)?<\/strong> ACT to algorytm uczenia przez imitacj\u0119, kt\u00f3ry u\u017cywa architektury Transformer do jednoczesnego przewidywania ca\u0142ych sekwencji przysz\u0142ych pozycji staw\u00f3w robota zamiast jednej akcji na krok. Takie podej\u015bcie redukuje kumulowanie si\u0119 b\u0142\u0119d\u00f3w predykcji w d\u0142ugich sekwencjach manipulacyjnych. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Dlaczego RGB wypad\u0142o lepiej ni\u017c RGBD w ewaluacji SO-101?<\/strong> Model RGBD przewy\u017csza\u0142 RGB tylko na pozycjach, gdzie kamery RealSense mia\u0142y bezpo\u015bredni widok na pi\u0142k\u0119 (pozycje 0 i 2, osi\u0105gaj\u0105c 100% i 80%). Na pozycjach brzegowych z okluzj\u0105 lub niekorzystn\u0105 geometri\u0105 sensora dane g\u0142\u0119bi wprowadza\u0142y szum, z kt\u00f3rym model RGB nigdy si\u0119 nie spotka\u0142, obni\u017caj\u0105c og\u00f3lny wynik RGBD do 43,3% wobec 50,0% RGB. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Czym jest reality gap w transferze sim-to-real?<\/strong> 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. W naszym eksperymencie gap wyni\u00f3s\u0142 30 punkt\u00f3w procentowych: 80% w IsaacSim i 50% na fizycznym SO-101, wynikaj\u0105c z r\u00f3\u017cnic w tarciu, o\u015bwietleniu i szumie sensorycznym, kt\u00f3rych symulacja nie mo\u017ce w pe\u0142ni odwzorowa\u0107. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Ile demonstracji rzeczywistych potrzeba, by cz\u0119\u015bciowo zamkn\u0105\u0107 reality gap?<\/strong> W naszym eksperymencie 10 demonstracji rzeczywistych dodanych do polityki wytrenowanej na symulacji podnios\u0142o skuteczno\u015b\u0107 fizyczn\u0105 o 15 punkt\u00f3w procentowych (z 50% do 65%), kosztem 5 punkt\u00f3w w symulacji (z 80% do 75%). Strategia co-trainingu mieszaj\u0105ca dane symulacyjne i rzeczywiste od pocz\u0105tku powinna da\u0107 lepsze wyniki ni\u017c sekwencyjny fine-tuning. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Czym jest b\u0142\u0105d Out-of-Distribution w uczeniu przez imitacj\u0119?<\/strong> B\u0142\u0105d Out-of-Distribution (OOD) pojawia si\u0119, gdy robot napotyka podczas ewaluacji stan, kt\u00f3ry nigdy nie wyst\u0105pi\u0142 w danych treningowych. W uczeniu przez imitacj\u0119 wej\u015bcie OOD powoduje ca\u0142kowite za\u0142amanie polityki: model nie ma wyuczonej odpowiedzi i generuje chaotyczne, nieprzewidywalne ruchy. Nagrywanie celowych b\u0142\u0119d\u00f3w i epizod\u00f3w odzyskiwania kontroli podczas zbierania danych to standardowe zabezpieczenie.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Czym jest randomizacja domeny w uczeniu robot\u00f3w?<\/strong> Randomizacja domeny to technika treningowa, kt\u00f3ra losuje parametry symulacji przy ka\u017cdym resecie epizodu, w tym o\u015bwietlenie, pozycje obiekt\u00f3w i k\u0105ty kamer, tak \u017ceby polityka uczy\u0142a si\u0119 obs\u0142ugiwa\u0107 szeroki zakres warunk\u00f3w zamiast jednej sta\u0142ej sceny. Polityka wytrenowana z randomizacj\u0105 domeny ma wi\u0119ksz\u0105 szans\u0119 transferu na fizyczny sprz\u0119t, bo rzeczywista zmienno\u015b\u0107 mie\u015bci si\u0119 w jej rozk\u0142adzie treningowym.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Przeprowadzili\u015bmy ponad 100 fizycznych pr\u00f3b ewaluacyjnych, wytrenowali\u015bmy dwa modele od zera i odkryli\u015bmy, \u017ce model z wi\u0119ksz\u0105 liczb\u0105 sensor\u00f3w wypad\u0142 gorzej. Cztery tygodnie uczenia przez imitacj\u0119 z algorytmem ACT na ramieniu SO-101: co znale\u017ali\u015bmy, co nas zaskoczy\u0142o i co robimy dalej. \u00a0 \u00a0 TL;DR \u00a0 Przez cztery tygodnie zbudowali\u015bmy kompletny pipeline uczenia przez imitacj\u0119 dla [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":9207,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1,203],"tags":[],"class_list":["post-8510","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>Podsumowanie etapu ACT: 4 tyg. uczenia robota przez imitacj\u0119<\/title>\n<meta name=\"description\" content=\"Podsumowanie etapu ACT w projekcie z u\u017cyciem LeRobota - uczyli\u015bmy robota chwyta\u0107 pi\u0142k\u0119 algorytmem ACT, zobacz czego nauczy\u0142o to nas!\" \/>\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\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Podsumowanie etapu ACT: 4 tyg. uczenia robota przez imitacj\u0119\" \/>\n<meta property=\"og:description\" content=\"Podsumowanie etapu ACT w projekcie z u\u017cyciem LeRobota - uczyli\u015bmy robota chwyta\u0107 pi\u0142k\u0119 algorytmem ACT, zobacz czego nauczy\u0142o to nas!\" \/>\n<meta property=\"og:url\" content=\"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/\" \/>\n<meta property=\"og:site_name\" content=\"xBerry\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-29T08:22:02+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-11T11:01:55+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_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=\"10 minut\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Podsumowanie etapu ACT: 4 tyg. uczenia robota przez imitacj\u0119","description":"Podsumowanie etapu ACT w projekcie z u\u017cyciem LeRobota - uczyli\u015bmy robota chwyta\u0107 pi\u0142k\u0119 algorytmem ACT, zobacz czego nauczy\u0142o to nas!","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\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/","og_locale":"pl_PL","og_type":"article","og_title":"Podsumowanie etapu ACT: 4 tyg. uczenia robota przez imitacj\u0119","og_description":"Podsumowanie etapu ACT w projekcie z u\u017cyciem LeRobota - uczyli\u015bmy robota chwyta\u0107 pi\u0142k\u0119 algorytmem ACT, zobacz czego nauczy\u0142o to nas!","og_url":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/","og_site_name":"xBerry","article_published_time":"2026-07-29T08:22:02+00:00","article_modified_time":"2026-09-11T11:01:55+00:00","og_image":[{"width":810,"height":486,"url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_pl.png","type":"image\/png"}],"author":"Klaudia Slusarczyk","twitter_card":"summary_large_image","twitter_misc":{"Napisane przez":"Klaudia Slusarczyk","Szacowany czas czytania":"10 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#article","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/"},"author":{"name":"Klaudia Slusarczyk","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/85c9937f32423916a153cb2388f9d482"},"headline":"Podsumowanie etapu ACT: co 4 tygodnie trenowania robota naprawd\u0119 nas nauczy\u0142y","datePublished":"2026-07-29T08:22:02+00:00","dateModified":"2026-09-11T11:01:55+00:00","mainEntityOfPage":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/"},"wordCount":2518,"commentCount":0,"publisher":{"@id":"https:\/\/xberry.tech\/pl\/#organization"},"image":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_pl.png","articleSection":{"1":"Robotyka"},"inLanguage":"pl-PL","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/","url":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/","name":"Podsumowanie etapu ACT: 4 tyg. uczenia robota przez imitacj\u0119","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#primaryimage"},"image":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_pl.png","datePublished":"2026-07-29T08:22:02+00:00","dateModified":"2026-09-11T11:01:55+00:00","description":"Podsumowanie etapu ACT w projekcie z u\u017cyciem LeRobota - uczyli\u015bmy robota chwyta\u0107 pi\u0142k\u0119 algorytmem ACT, zobacz czego nauczy\u0142o to nas!","breadcrumb":{"@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#primaryimage","url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_pl.png","contentUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/07\/recap_pl.png","width":810,"height":486},{"@type":"BreadcrumbList","@id":"https:\/\/xberry.tech\/pl\/podsumowanie-etapu-act-co-4-tygodnie-trenowania-robota-naprawde-nas-nauczyly\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/xberry.tech\/pl\/"},{"@type":"ListItem","position":2,"name":"Podsumowanie etapu ACT: co 4 tygodnie trenowania robota naprawd\u0119 nas nauczy\u0142y"}]},{"@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\/8510","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=8510"}],"version-history":[{"count":28,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8510\/revisions"}],"predecessor-version":[{"id":8602,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8510\/revisions\/8602"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media\/9207"}],"wp:attachment":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media?parent=8510"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/categories?post=8510"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/tags?post=8510"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}