{"id":8692,"date":"2026-08-14T10:09:34","date_gmt":"2026-08-14T08:09:34","guid":{"rendered":"https:\/\/xberry.tech\/?p=8692"},"modified":"2026-09-11T12:53:39","modified_gmt":"2026-09-11T10:53:39","slug":"wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja","status":"publish","type":"post","link":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/","title":{"rendered":"Wkraczamy w faz\u0119 RL: najpierw pomiary, potem symulacja"},"content":{"rendered":"<p style=\"text-align: justify\"><strong>30-punktowa luka mi\u0119dzy symulacj\u0105 a rzeczywisto\u015bci\u0105, kt\u00f3r\u0105 odkryli\u015bmy w fazie ACT, mia\u0142a konkretn\u0105 przyczyn\u0119: symulacja opiera\u0142a si\u0119 na za\u0142o\u017ceniach, nie na pomiarach. Tydzie\u0144 1 fazy uczenia przez wzmocnienie nie zacz\u0105\u0142 si\u0119 od trenowania. Zacz\u0105\u0142 si\u0119 od ta\u015bmy mierniczej, loggera telemetrii i sze\u015bciu serwomechanizm\u00f3w, kt\u00f3re trzeba by\u0142o zrozumie\u0107, zanim da\u0142o si\u0119 je modelowa\u0107.  <\/strong><\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>TL;DR<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Faz\u0119 uczenia przez wzmocnienie w projekcie xBerry Robotic Arm rozpocz\u0119li\u015bmy od przebudowania symulacji od zera &#8211; tym razem z mierzonymi parametrami zamiast domy\u015blnych. W IsaacLab zaimportowali\u015bmy pe\u0142n\u0105 scen\u0119 (rami\u0119 SO-101, czarna miska, \u017c\u00f3\u0142ta pi\u0142ka, bia\u0142y st\u00f3\u0142), skalibrowano dwie kamery na podstawie fizycznych pomiar\u00f3w FOV i odleg\u0142o\u015bci, a na 6 serwomechanizmach STS3215 przeprowadzono identyfikacj\u0119 system\u00f3w w celu wyznaczenia tarcia, limit\u00f3w momentu, sztywno\u015bci i t\u0142umienia. Rezultat: symulacja zgodna z fizycznym setupem w ok. 90%. \u015arodowisko jest gotowe do treningu RL.   <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2 style=\"line-height: 1.4\">Od imitacji do wzmocnienia: inny rodzaj uczenia<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">W fazie ACT <b><a href=\"https:\/\/xberry.tech\/pl\/dane-treningowe-lerobot-90-epizodow-i-nauka-z-bledow\/\">nauczyli\u015bmy rami\u0119 SO-101 podnosi\u0107 pi\u0142k\u0119, pokazuj\u0105c mu 90 demonstracji ludzkich<\/a><\/b>. Robot uczy\u0142 si\u0119 kopiowa\u0107 to, co widzia\u0142. <strong>Uczenie przez wzmocnienie (RL)<\/strong> dzia\u0142a inaczej: zamiast demonstracji agent otrzymuje sygna\u0142 nagrody za ka\u017cd\u0105 podj\u0119t\u0105 akcj\u0119 i odkrywa skuteczne zachowanie metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w. Nie ma trajektorii do na\u015bladowania &#8211; jest tylko definicja zadania, przestrze\u0144 obserwacji i funkcja nagrody.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Praktyczna konsekwencja jest taka, \u017ce RL wymaga znacznie wi\u0119cej czasu symulacji. Tam gdzie ACT potrzebowa\u0142 90 nagra\u0144 z rzeczywisto\u015bci, RL potrzebuje setek tysi\u0119cy symulowanych epizod\u00f3w, by osi\u0105gn\u0105\u0107 zbie\u017cno\u015b\u0107. Symulacja odbiegaj\u0105ca od fizycznego robota o 30 punkt\u00f3w procentowych &#8211; jak nasza w fazie ACT &#8211; wygenerowa\u0142aby polityk\u0119, kt\u00f3ra natychmiast zawodzi na sprz\u0119cie. Poprawna symulacja to nie krok wst\u0119pny. To jest praca w\u0142a\u015bciwa.    <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Budowanie sceny w IsaacLab<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong><a href=\"https:\/\/developer.nvidia.com\/isaac\/lab\">IsaacLab<\/a><\/strong> &#8211; framework open-source NVIDIA do trenowania agent\u00f3w uczenia maszynowego w symulacji, zbudowany na bazie IsaacSim. Dostarcza ustrukturyzowane \u015brodowiska do zada\u0144 manipulacji, lokomocji i sterowania, ze wsparciem dla symulacji fizycznej i randomizacji domeny. <\/p>\n<p><\/span><br \/>\n\u00a0<\/p>\n<p style=\"text-align: justify\">Zaimportowali\u015bmy pe\u0142n\u0105 scen\u0119 Pick, Lift and Place do IsaacLab: bia\u0142e rami\u0119 SO-101, czarna miska, \u017c\u00f3\u0142ta pi\u0142ka i bia\u0142y st\u00f3\u0142 &#8211; wszystko jako assety USD. Walidacja fizyki potwierdzi\u0142a poprawne interakcje robot-pi\u0142ka-miska: pi\u0142ka toczy si\u0119, odbija i zatrzymuje realistycznie. Setup kamer odzwierciedla fizyczne laboratorium dok\u0142adnie: kamera OVER zawieszona ok. 134 cm nad przestrzeni\u0105 robocz\u0105 i kamera EGO zamontowana blisko chwytaka w odleg\u0142o\u015bci 28 cm.  <\/p>\n<p>\u00a0<\/p>\n<div style=\"display: flex;gap: 16px;margin: 24px 0\">\n<figure style=\"flex: 1;margin: 0\">\n    <img decoding=\"async\" style=\"width: 100%;height: 280px;object-fit: cover;border-radius: 8px;display: block\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/real_over.jpg\" alt=\"Fizyczny setup SO-101 - widok z kamery OVER na ~134 cm, FOV 30,9\u00b0\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">Widok z kamery OVER fizycznego laboratorium: rami\u0119 SO-101, czarna miska, \u017c\u00f3\u0142ta pi\u0142ka na bia\u0142ym stole<\/figcaption><\/figure>\n<figure style=\"flex: 1;margin: 0\">\n    <img decoding=\"async\" style=\"width: 100%;height: 280px;object-fit: cover;border-radius: 8px;display: block\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/sim_overhead.jpg\" alt=\"Symulacja IsaacLab - widok z g\u00f3ry sceny SO-101, 90% zgodno\u015bci wizualnej z fizycznym setupem\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">Ta sama scena w IsaacLab: model USD SO-101, czarna miska, \u017c\u00f3\u0142ta pi\u0142ka na bia\u0142ym stole<\/figcaption><\/figure>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Obie kamery skonfigurowano z pomiar\u00f3w fizycznych, nie z domy\u015blnych warto\u015bci symulatora:<\/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\">Kamera<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Odleg\u0142o\u015b\u0107<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">FOV<\/th>\n<th style=\"border:1px solid #ccc;padding:8px;text-align:left\">Rozdzielczo\u015b\u0107<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">OVER<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">~134 cm<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">30.9\u00b0<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">640 \u00d7 480<\/td>\n<\/tr>\n<tr>\n<td style=\"border:1px solid #ccc;padding:8px\">EGO<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">~28 cm<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">67.3\u00b0<\/td>\n<td style=\"border:1px solid #ccc;padding:8px\">1920 \u00d7 1080<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\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\"><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\"># OVER camera \r\nCameraCfg(width=640, height=480, horizontal_fov=30.9) \r\n# EGO camera \r\nCameraCfg(width=1920, height=1080, horizontal_fov=67.3)\r\n<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Kamera EGO &#8211; zamontowana na ramieniu &#8211; daje modelowi widok z pierwszej osoby na chwytak zbli\u017caj\u0105cy si\u0119 do celu. Szerokie pole widzenia 67,3\u00b0 rejestruje relacj\u0119 r\u0119ka-obiekt z bliskiej odleg\u0142o\u015bci, co jest kluczow\u0105 ramk\u0105 dla decyzji o chwycie. <\/p>\n<p>\u00a0<\/p>\n<div style=\"display: flex;gap: 16px;margin: 24px 0\">\n<figure style=\"flex: 1;margin: 0\">\n    <img decoding=\"async\" style=\"width: 100%;height: 280px;object-fit: cover;border-radius: 8px;display: block\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/real_ego.jpg\" alt=\"Widok kamery EGO - fizyczny SO-101, odleg\u0142o\u015b\u0107 28 cm, FOV 67,3\u00b0\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">Widok kamery EGO z fizycznego ramienia: ko\u0144ce chwytaka widoczne na dole kadru, 28 cm od powierzchni<\/figcaption><\/figure>\n<figure style=\"flex: 1;margin: 0\">\n    <img decoding=\"async\" style=\"width: 100%;height: 280px;object-fit: cover;border-radius: 8px;display: block\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/sim_ego.png\" alt=\"Widok kamery EGO - render IsaacLab, odleg\u0142o\u015b\u0107 28 cm, dopasowany do k\u0105ta kamery fizycznej\"><figcaption style=\"text-align: center;font-size: 13px;color: #888;margin-top: 8px\">Ta sama perspektywa EGO wyrenderowana w IsaacSim: geometria ramienia widoczna u do\u0142u kadru<\/figcaption><\/figure>\n<\/div>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>Identyfikacja system\u00f3w: mierzy\u0107 zamiast zak\u0142ada\u0107<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #ead1dc;color: #4c1130\"><strong>Identyfikacja system\u00f3w (SysID)<\/strong> &#8211; proces pomiaru dynamicznych w\u0142a\u015bciwo\u015bci systemu fizycznego i wykorzystania tych pomiar\u00f3w do konfiguracji modelu. W symulacji robotycznej oznacza to wyznaczanie rzeczywistych parametr\u00f3w serwomechanizm\u00f3w &#8211; tarcia, limit\u00f3w momentu, sztywno\u015bci pozycyjnej, t\u0142umienia pr\u0119dko\u015bciowego i bezpo\u015brednie kodowanie ich w silniku fizyki zamiast u\u017cywania domy\u015blnych ustawie\u0144 producenta. <\/p>\n<p><\/span><br \/>\n\u00a0<\/p>\n<p style=\"text-align: justify\">Tu tkwi\u0142o \u017ar\u00f3d\u0142o luki sim-to-real w fazie ACT. Setup w IsaacSim u\u017cywa\u0142 przybli\u017conych parametr\u00f3w serw. Fizyczny robot zachowywa\u0142 si\u0119 inaczej w ka\u017cdym przegubie, bo rzeczywiste serwomechanizmy maj\u0105 unikalne profile tarcia, prze\u0142o\u017cenia i limity pr\u0105du, kt\u00f3re ujawnia tylko telemetria.  <\/p>\n<p>\u00a0<\/p>\n<figure style=\"text-align: center;margin: 24px auto\">\n  <img decoding=\"async\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/serwo-sid-pl.png\" alt=\"Specyfikacje techniczne STS3215 - parametry bazowe u\u017cyte do identyfikacji system\u00f3w\" style=\"max-width: 100%;border-radius: 8px\"><figcaption style=\"font-size: 13px;color: #888;margin-top: 8px\">Karta katalogowa STS3215: masa 63g, napi\u0119cie 9\u201312,6V, moment zatrzymania 30 kg\u00b7cm, dok\u0142adno\u015b\u0107 0,3\u00b0, zakres obrotu 0\u00b0\u2013240\u00b0<\/figcaption><\/figure>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Przeprowadzili\u015bmy logowanie telemetrii na wszystkich 5 aktywnych serwach SO-101 (model STS3215) przez 50-sekundow\u0105 sekwencj\u0119 ruch\u00f3w, rejestruj\u0105c pozycj\u0119, pr\u0119dko\u015b\u0107 i obci\u0105\u017cenie w ka\u017cdej chwili czasowej. Wynikaj\u0105ce z tego krzywe ujawni\u0142y indywidualny profil tarcia ka\u017cdego przegubu, punkt nasycenia pr\u0119dko\u015bci i rozk\u0142ad obci\u0105\u017cenia \u2014 danych, kt\u00f3rych nie da si\u0119 odczyta\u0107 z \u017cadnej karty katalogowej. <\/p>\n<p>\u00a0<\/p>\n<figure style=\"text-align: center;margin: 24px auto\">\n  <img decoding=\"async\" src=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/servo_analysis.jpg\" alt=\"Telemetria STS3215 - dane identyfikacji system\u00f3w dla 5 przegub\u00f3w SO-101 w 50-sekundowej sekwencji ruch\u00f3w\" style=\"max-width: 100%;border-radius: 8px\"><figcaption style=\"font-size: 13px;color: #888;margin-top: 8px\">Analiza telemetrii STS3215: pozycja [steps], pr\u0119dko\u015b\u0107 [step\/s] i obci\u0105\u017cenie [duty] dla 5 serw przez 50 sekund testu ruch\u00f3w<\/figcaption><\/figure>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Te pomiary trafi\u0142y bezpo\u015brednio do konfiguracji <code>SO101_CFG<\/code> w IsaacLab. Ka\u017cdy przegub ma teraz warto\u015bci sztywno\u015bci (Kp) i t\u0142umienia (Kd) wyznaczone z telemetrii, a nie za\u0142o\u017cone: <\/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\"><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\">Kopiuj<\/button><\/p>\n<pre style=\"color: #abb2bf;font-family: &#039;Courier New&#039;, monospace;font-size: 14px;margin: 0\">SO101_CFG = ArticulationCfg(\r\n actuators={\r\n # Gear 1\/191 \u2014 34.4 N\u00b7m\r\n \"rotation\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Rotation\"],\r\n effort_limit_sim=30,\r\n stiffness=55,\r\n damping=0.7,\r\n  ),\r\n # Gear 1\/345 \u2014 62.1 N\u00b7m (highest torque joint)\r\n \"pitch\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Pitch\"],\r\n effort_limit_sim=30,\r\n stiffness=30,\r\n damping=0.8,\r\n  ),\r\n # Gear 1\/191 \u2014 34.4 N\u00b7m\r\n \"elbow\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Elbow\"],\r\n effort_limit_sim=30,\r\n stiffness=25,\r\n damping=0.7,\r\n  ),\r\n # Gear 1\/147 \u2014 26.5 N\u00b7m\r\n \"wrist_pitch\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Wrist_Pitch\"],\r\n effort_limit_sim=30,\r\n stiffness=12,\r\n damping=0.5,\r\n  ),\r\n # Gear 1\/147 \u2014 26.5 N\u00b7m\r\n \"wrist_roll\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Wrist_Roll\"],\r\n effort_limit_sim=30,\r\n stiffness=7,\r\n damping=0.5,\r\n  ),\r\n # Gear 1\/147 \u2014 26.5 N\u00b7m\r\n \"gripper\": ImplicitActuatorCfg(\r\n joint_names_expr=[\"Jaw\"],\r\n effort_limit_sim=30,\r\n stiffness=4,\r\n damping=0.3,\r\n  ),\r\n  },\r\n)\r\n<\/pre>\n<\/div>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">Model aktuatora u\u017cywa <strong>regulatora PD<\/strong> &#8211; sterowania proporcjonalno-r\u00f3\u017cniczkuj\u0105cego \u2014 do generowania momentu obrotowego dla ka\u017cdego przegubu. Wyj\u015bciowy moment \u03c4 wyra\u017ca si\u0119 r\u00f3wnaniem: <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">\u03c4 = Kp \u00d7 (q_cel \u2212 q) + Kd \u00d7 (q\u0307_cel \u2212 q\u0307)<\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">gdzie <strong>Kp<\/strong> (sztywno\u015b\u0107) nap\u0119dza przegub w kierunku docelowej pozycji, a <strong>Kd<\/strong> (t\u0142umienie) t\u0142umi oscylacje wywo\u0142ane przez wysokie warto\u015bci Kp. Ka\u017cdy przegub SO-101 ma inne prze\u0142o\u017cenie i profil obci\u0105\u017cenia, wi\u0119c pary Kp\/Kd by\u0142y strojone indywidualnie na podstawie danych telemetrycznych. Najwi\u0119ksz\u0105 sztywno\u015b\u0107 (Kp = 55) ma przegub Rotation; chwytak u\u017cywa najni\u017cszej (Kp = 4), by nie uszkadza\u0107 chwytanych obiekt\u00f3w.  <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><span style=\"background-color: #eff6ff;color: #1e40af\"><strong>Dlaczego to wa\u017cne:<\/strong> Symulacja z mierzonymi parametrami serw wygeneruje polityk\u0119, kt\u00f3ra lepiej przenosi si\u0119 na hardware. Luka sim-to-real to przede wszystkim problem dynamiki, nie wizualizacji. Najpierw popraw fizyk\u0119 &#8211; potem martw si\u0119 o piksele.<\/p>\n<p><\/span><br \/>\n\u00a0<br \/>\n\u00a0<\/p>\n<h2>Co dalej: definicja zadania RL<\/h2>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\">\u015arodowisko jest zbudowane i zwalidowane \u2014 ok. 90% zgodno\u015bci wizualnej z fizycznym setupem. Tydzie\u0144 2 skupi si\u0119 na zdefiniowaniu trzech kluczowych komponent\u00f3w zadania RL: <strong>przestrzeni akcji<\/strong> (jakie komendy staw\u00f3w mo\u017ce wydawa\u0107 agent), <strong>przestrzeni obserwacji<\/strong> (co agent widzi \u2014 klatki kamer, pozycje przegub\u00f3w, stan chwytaka) i <strong>funkcji nagrody<\/strong> (jak agent uczy si\u0119, \u017ce umieszczenie pi\u0142ki w misce to cel). Te trzy decyzje projektowe zdecyduj\u0105 o wszystkim, co dotyczy jako\u015bci polityki wy\u0142aniaj\u0105cej si\u0119 z treningu.  <\/p>\n<p>\u00a0<br \/>\n\u00a0<\/p>\n<h2>FAQ<\/h2>\n<p>\u00a0<\/p>\n<h3><strong>Czym jest uczenie przez wzmocnienie i czym r\u00f3\u017cni si\u0119 od uczenia przez imitacj\u0119?<\/strong><\/h3>\n<p style=\"text-align: justify\">Uczenie przez wzmocnienie (RL) to paradygmat treningowy, w kt\u00f3rym agent uczy si\u0119 optymalnej polityki poprzez interakcj\u0119 ze \u015brodowiskiem metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w, otrzymuj\u0105c sygna\u0142 nagrody za ka\u017cd\u0105 podj\u0119t\u0105 akcj\u0119. W przeciwie\u0144stwie do uczenia przez imitacj\u0119, kt\u00f3re wymaga demonstracji ludzkich, RL odkrywa skuteczne zachowanie samodzielnie, co pozwala znajdowa\u0107 strategie, kt\u00f3rych \u017cadna demonstracja by nie obejmowa\u0142a. <\/p>\n<p>\u00a0<\/p>\n<h3><strong>Czym jest IsaacLab?<\/strong><\/h3>\n<p style=\"text-align: justify\">IsaacLab to framework open-source NVIDIA do uczenia robot\u00f3w w symulacji, zbudowany na IsaacSim. Dostarcza ustrukturyzowane \u015brodowiska, narz\u0119dzia do randomizacji domeny i fizykalnie dok\u0142adn\u0105 symulacj\u0119, zaprojektowan\u0105 do trenowania polityk RL i IL transferowalnych na fizyczny sprz\u0119t. <\/p>\n<p>\u00a0<\/p>\n<h3><strong>Czym jest identyfikacja system\u00f3w w robotyce?<\/strong><\/h3>\n<p style=\"text-align: justify\">Identyfikacja system\u00f3w (SysID) to proces pomiaru dynamicznych w\u0142a\u015bciwo\u015bci systemu fizycznego &#8211; tarcia, limit\u00f3w momentu, prze\u0142o\u017ce\u0144, bezw\u0142adno\u015bci i wykorzystania tych pomiar\u00f3w do konfiguracji modelu symulacji. Dok\u0142adna SysID redukuje luk\u0119 sim-to-real poprzez zapewnienie, \u017ce fizyka symulacji odpowiada zachowaniu rzeczywistego sprz\u0119tu. <\/p>\n<p>\u00a0<\/p>\n<h3><strong>Czym jest regulator PD w sterowaniu serwomechanizmami?<\/strong><\/h3>\n<p style=\"text-align: justify\">Regulator proporcjonalno-r\u00f3\u017cniczkuj\u0105cy (PD) generuje moment przegubu jako \u03c4 = Kp \u00d7 (q_cel \u2212 q) + Kd \u00d7 (q\u0307_cel \u2212 q\u0307). Cz\u0142on sztywno\u015bci Kp nap\u0119dza przegub w kierunku pozycji docelowej; cz\u0142on t\u0142umienia Kd t\u0142umi oscylacje, kt\u00f3re mog\u0105 wywo\u0142ywa\u0107 wysokie warto\u015bci Kp. Ka\u017cdy przegub SO-101 ma indywidualnie dostrojone warto\u015bci Kp i Kd oparte na fizycznych pomiarach telemetrycznych.  <\/p>\n<p>\u00a0<\/p>\n<h3><strong>Dlaczego FOV kamery ma znaczenie dla transferu sim-to-real?<\/strong><\/h3>\n<p style=\"text-align: justify\">Kamera skonfigurowana z niepoprawnym FOV generuje obrazy z innym zniekszta\u0142ceniem perspektywicznym ni\u017c kamera fizyczna, co powoduje, \u017ce polityka podczas treningu otrzymuje obserwacje, kt\u00f3re nie odpowiadaj\u0105 warunkom wdro\u017cenia. Fizyczny pomiar FOV i odleg\u0142o\u015bci dla ka\u017cdej kamery eliminuje to \u017ar\u00f3d\u0142o b\u0142\u0119du sim-to-real przed rozpocz\u0119ciem treningu. <\/p>\n<p>\u00a0<\/p>\n<p style=\"text-align: justify\"><strong>Co b\u0119dzie w Tygodniu 2?<\/strong> Tydzie\u0144 2 zdefiniuje trzy komponenty \u015brodowiska zadania RL: przestrze\u0144 akcji, przestrze\u0144 obserwacji i funkcj\u0119 nagrody. Te decyzje projektowe determinuj\u0105 jako\u015b\u0107 i transferowalno\u015b\u0107 wynikowej polityki. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>30-punktowa luka mi\u0119dzy symulacj\u0105 a rzeczywisto\u015bci\u0105, kt\u00f3r\u0105 odkryli\u015bmy w fazie ACT, mia\u0142a konkretn\u0105 przyczyn\u0119: symulacja opiera\u0142a si\u0119 na za\u0142o\u017ceniach, nie na pomiarach. Tydzie\u0144 1 fazy uczenia przez wzmocnienie nie zacz\u0105\u0142 si\u0119 od trenowania. Zacz\u0105\u0142 si\u0119 od ta\u015bmy mierniczej, loggera telemetrii i sze\u015bciu serwomechanizm\u00f3w, kt\u00f3re trzeba by\u0142o zrozumie\u0107, zanim da\u0142o si\u0119 je modelowa\u0107. \u00a0 \u00a0 TL;DR [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":9196,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1,203],"tags":[],"class_list":["post-8692","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>Wkraczamy w faz\u0119 RL: pomiary i symulacja SO-101 IsaacLab<\/title>\n<meta name=\"description\" content=\"Faza RL w projekcie Robotic Arm, czyli najpierw tydzie\u0144 na pomiarach fizycznych SO-101, a potem dopiero kod, identyfikacja system\u00f3w i wi\u0119cej.\" \/>\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\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Wkraczamy w faz\u0119 RL: pomiary i symulacja SO-101 IsaacLab\" \/>\n<meta property=\"og:description\" content=\"Faza RL w projekcie Robotic Arm, czyli najpierw tydzie\u0144 na pomiarach fizycznych SO-101, a potem dopiero kod, identyfikacja system\u00f3w i wi\u0119cej.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/\" \/>\n<meta property=\"og:site_name\" content=\"xBerry\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-14T08:09:34+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-11T10:53:39+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.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":"Wkraczamy w faz\u0119 RL: pomiary i symulacja SO-101 IsaacLab","description":"Faza RL w projekcie Robotic Arm, czyli najpierw tydzie\u0144 na pomiarach fizycznych SO-101, a potem dopiero kod, identyfikacja system\u00f3w i wi\u0119cej.","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\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/","og_locale":"pl_PL","og_type":"article","og_title":"Wkraczamy w faz\u0119 RL: pomiary i symulacja SO-101 IsaacLab","og_description":"Faza RL w projekcie Robotic Arm, czyli najpierw tydzie\u0144 na pomiarach fizycznych SO-101, a potem dopiero kod, identyfikacja system\u00f3w i wi\u0119cej.","og_url":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/","og_site_name":"xBerry","article_published_time":"2026-08-14T08:09:34+00:00","article_modified_time":"2026-09-11T10:53:39+00:00","og_image":[{"width":810,"height":486,"url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.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\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#article","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/"},"author":{"name":"Klaudia Slusarczyk","@id":"https:\/\/xberry.tech\/pl\/#\/schema\/person\/85c9937f32423916a153cb2388f9d482"},"headline":"Wkraczamy w faz\u0119 RL: najpierw pomiary, potem symulacja","datePublished":"2026-08-14T08:09:34+00:00","dateModified":"2026-09-11T10:53:39+00:00","mainEntityOfPage":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/"},"wordCount":1348,"commentCount":0,"publisher":{"@id":"https:\/\/xberry.tech\/pl\/#organization"},"image":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.png","articleSection":{"1":"Robotyka"},"inLanguage":"pl-PL","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/","url":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/","name":"Wkraczamy w faz\u0119 RL: pomiary i symulacja SO-101 IsaacLab","isPartOf":{"@id":"https:\/\/xberry.tech\/pl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#primaryimage"},"image":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#primaryimage"},"thumbnailUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.png","datePublished":"2026-08-14T08:09:34+00:00","dateModified":"2026-09-11T10:53:39+00:00","description":"Faza RL w projekcie Robotic Arm, czyli najpierw tydzie\u0144 na pomiarach fizycznych SO-101, a potem dopiero kod, identyfikacja system\u00f3w i wi\u0119cej.","breadcrumb":{"@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#primaryimage","url":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.png","contentUrl":"https:\/\/xberry.tech\/wp-content\/uploads\/2026\/08\/phasel_rl_enter.png","width":810,"height":486},{"@type":"BreadcrumbList","@id":"https:\/\/xberry.tech\/pl\/wkraczamy-w-faze-rl-najpierw-pomiary-potem-symulacja\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/xberry.tech\/pl\/"},{"@type":"ListItem","position":2,"name":"Wkraczamy w faz\u0119 RL: najpierw pomiary, potem symulacja"}]},{"@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\/8692","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=8692"}],"version-history":[{"count":17,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8692\/revisions"}],"predecessor-version":[{"id":8725,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/posts\/8692\/revisions\/8725"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media\/9196"}],"wp:attachment":[{"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/media?parent=8692"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/categories?post=8692"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/xberry.tech\/pl\/wp-json\/wp\/v2\/tags?post=8692"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}