真机赛

安装 kuavo_data_challenge （基准代码）仓库

此仓库用于数据转换、模型训练、模型部署，使用 git 获取最新的代码仓库（tianchi 分支）：

git clone -b tianchi --depth=1 https://github.com/LejuRobotics/kuavo_data_challenge.git
Note

详细安装及使用步骤请参阅其在 GitHub 上的对应 README 文档。

真机赛任务介绍

任务简介

真机赛中使用的机器人为乐聚夸父4pro（kauvo 4 pro），末端执行器为灵巧手/夹爪

任务一

桌面物料分拣：夹取安全带、线缆、pin口（三种零件）放到对应的空盒子中

任务二

工业零件称重：将机械套管称重，并放在收纳筐中

任务三

汽车大件上料：稳定抓取汽车钣金料，并准确放置到指定区域上

任务评分

通用规则

真机赛包含 3 个独立任务。每个任务最高 100 分，并设有 10 分动作趋势评分项（只要存在动作趋势即可获得）。总最高得分为 300 分。
每个任务固定进行 3 轮测评（每轮限时 3 分钟；超时后完成的动作不计分）。每轮单独评分，取 3 轮成绩的平均分作为该任务最终得分。
同分排名规则：若队伍总分相同，则按所有任务全部轮次的平均完成时间从短到长排序。

任务1：桌面物料分拣（100分）

测评时，会随机位置放置三种物料（安全带、线缆、pin口），每种物料各一个，共三个。夹取物品后，需要将物品放在盒子的指定空位处，顺序从左到右依次是：pin口、安全带、线缆。评分标准如下：

抓取成功且稳定：10分/每个物体，共30分
准确放至指定位置：15分/每个物体，共45分
全部完成奖励：25分

任务2：工业零件称重（100分）

测评时，会在指定一排放置三个套管。机器人需要依次抓取套管，将套管放置到称重台上完成称重，再从称重台拾起并稳定放入指定收纳筐中，评分标准如下：

抓取成功且稳定：10分/每个套管，共30分
准确放至称重台并完成称重：10分/每个套管，共30分
从称重台再次拾取成功：5分/每个套管，共15分
稳定放入指定收纳筐：前两个套管各5分，最后一个套管15分，共25分

任务3：汽车大件上料（100分）

抓取成功且稳定：40分
准确放至指定位置：60分

真机赛数据介绍

Note

真机视频的size是848*480，区别于仿真数据的640*480

与仿真赛类似，我们提供的真机数据是原生的rosbag，各位选手可根据需要自行处理。真机数据的话题名称、话题内容、数据格式等均与仿真数据相同（除视频图像尺寸）。若仍然使用kuavo_data_challenge的baseline代码框架，则可完全按照之前仿真数据的数据转换、训练、推理流程。需要修改的部分是config文件中的部分配置。

考虑到在仿真赛环节大家的算力等问题，首批真机数据为每个任务1000条。若后续测试过程中诊断为数据量不够导致模型性能表现不佳，可以联系主办方补充数据。

真机数据下载地址(modelscope)

https://www.modelscope.cn/datasets/lejurobot/LET-Tianchi-Dataset

真机赛配置文件说明(可对照修改，最好不要直接复制粘贴)

数据转换（可能需要修改的地方有注释）

hydra:
  run:
    dir: ./outputs/data_cvt_hydra_save/singlerun/${now:%Y%m%d_%H%M%S}
  sweep:
    dir: ./outputs/data_cvt_hydra_save/multirun/${now:%Y%m%d_%H%M%S}
    subdir: ${hydra:job.override_dirname}

# 将 kuavo rosbag 转换为 lerobot-parquet 格式，请使用 lerobot 0.4.2。
rosbag:
  rosbag_dir: /path/to/your/rosbag  # rosbag目录
  num_used: null  # null表示使用全部rosbag
  lerobot_dir: /your/path/to/your/lerobotdata/  # 转换结果目录
  chunk_size: 100  # 流式读取分块大小

dataset:
  only_arm: true  # 是否只使用手臂数据
  eef_type: leju_claw  # 真机：leju_claw / qiangnao；仿真：rq2f85
  which_arm: both  # left / right / both
  use_depth: false  # 是否使用深度图像
  depth_range: [0, 1500]  # 深度裁剪范围，单位毫米

  task_description: "Pick and Place"

  train_hz: 10
  main_timeline: head_cam_h  # 主相机
  main_timeline_fps: 30
  sample_drop: 10

  # 强脑灵巧手自由度设置；一般非精细操作保持为1。
  dex_dof_needed: 1

  is_binary: false
  delta_action: false
  relative_start: false

  resize:
    width: 848
    height: 480

模型推理配置文件

tianchi分支(可能需要修改的地方有注释)

# Kuavo 统一推理配置
hydra:
  run:
    dir: ./outputs/kuavo_deploy_hydra_save/singlerun/${now:%Y%m%d_%H%M%S}
  sweep:
    dir: ./outputs/kuavo_deploy_hydra_save/multirun/${now:%Y%m%d_%H%M%S}
    subdir: ${hydra:job.override_dirname}

# 环境配置
env:
  env_name: Kuavo-Real  # 真机 Kuavo-Real，仿真 Kuavo-Sim
  control_mode: joint  # joint / eef
  eef_type: leju_claw  # 真机 leju_claw / qiangnao；仿真 rq2f85
  which_arm: both  # left / right / both
  head_init: null  # 真机一般设为 null
  ros_rate: 10

  only_arm: true

  image_size: &IMGSIZE [848, 480]
  depth_range: &DEPTHRANGE [0, 1500]  # 单位 mm
  obs_key_map:  # 需与训练配置保持一致；末端部分需要与本配置中eef_type类型保持一致，其余末端建议暂时注释
    head_cam_h: ["/cam_h/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]
    wrist_cam_l: ["/cam_l/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]
    wrist_cam_r: ["/cam_r/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]
    depth_h: ["/cam_h/depth/image_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]
    depth_l: ["/cam_l/depth/image_rect_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]
    depth_r: ["/cam_r/depth/image_rect_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]
    joint_q: ["/sensors_data_raw", "sensorsData", 500]
    # qiangnao: ["/dexhand/state", "JointState", 500]
    leju_claw: ["/leju_claw_state", "lejuClawState", 500]
    # rq2f85: ["/gripper/state", "JointState", 500]

  arm_state_keys: ["joint_q","gripper"]
  frame_alignment: false
  ratio: 1.0

  limits:  # 一般不建议修改
    joint_q:
      min: [-3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14, -3.14]
      max: [3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14, 3.14]

    gripper:
      min: [0, 0]
      max: [1, 1]

    eef:
      min: [-1, -1, -1, -3.14, -3.14, -3.14, -1, -1, -1, -3.14, -3.14, -3.14]
      max: [1, 1, 1, 3.14, 3.14, 3.14, 1, 1, 1, 3.14, 3.14, 3.14]

    eef_relative:
      min: [-0.005, -0.0075, -0.004, -0.03, -0.03, -0.05, -0.005, -0.0075, -0.004, -0.03, -0.03, -0.05]
      max: [0.005, 0.0075, 0.004, 0.03, 0.03, 0.05, 0.005, 0.0075, 0.004, 0.03, 0.03, 0.05]

    base:
      min: [-2.0, -2.0, -3.14, 0]
      max: [2.0, 2.0, 3.14, 1]

  qiangnao_dof_needed: 1  # 强脑手自由度，一般保持默认
  is_binary: false

# 模型推理配置
inference:
  go_bag_path: /path/to/your/go.bag  # 初始包由官方统一提供，选手不需要修改或引用
  policy_type: "act"  # 支持 diffusion / act 等
  eval_episodes: 3
  seed: 42
  start_seed: 42
  device: "cuda"
  task: "your_task"
  method: "your_method"
  timestamp: "your_timestamp"
  epoch: best
  max_episode_steps: 2000 # 测试后建议2000轮

真机赛提交说明

跟仿真赛同理，真机赛代码提交也是环境和代码打包为 docker 镜像。具体步骤如下： 1. 配置docker加速，打包环境：可参考仿真赛提交说明 docker/readme 步骤1-2

复制以下Dockerfile模板（专为真机赛的定制版），修改必要参数，例如Conda环境名、Conda环境包名、添加额外必要系统、python包等，保存为项目根目录下的 Dockerfile

# =========================
# Stage 1: Builder
# =========================
FROM ros:noetic-ros-core-focal AS builder

ARG DEBIAN_FRONTEND=noninteractive

# 国内APT源
RUN sed -i 's/archive.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list && \
   sed -i 's/security.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list

# 安装必要工具和ROS依赖
RUN apt-get update && apt-get install -y \
   curl wget gnupg2 lsb-release sudo ca-certificates build-essential bzip2 \
   ros-noetic-cv-bridge \
   ros-noetic-apriltag-ros \
   && rm -rf /var/lib/apt/lists/*

# 安装 Miniforge
ENV MINIFORGE_URL="https://mirrors.tuna.tsinghua.edu.cn/github-release/conda-forge/miniforge/LatestRelease/Miniforge3-Linux-x86_64.sh"
RUN curl -L ${MINIFORGE_URL} -o /tmp/miniforge.sh \
   && bash /tmp/miniforge.sh -b -p /opt/conda \
   && rm /tmp/miniforge.sh

ENV PATH="/opt/conda/bin:${PATH}"
ENV LANG=C.UTF-8
ENV LC_ALL=C.UTF-8

# 配置国内镜像并安装 mamba
RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ \
   && conda config --set show_channel_urls yes \
   && conda install -y mamba -c conda-forge

# 工作目录
WORKDIR /root/kuavo_data_challenge
COPY . .

# 解压 Conda 环境并安装项目
# TODO: 修改Conda环境名和包名，请确保每一个myenv都修改全
RUN if [ -f "myenv.tar.gz" ]; then \
      mkdir -p ./myenv && tar -xzf myenv.tar.gz -C ./myenv && rm myenv.tar.gz; \
   fi && \
   /bin/bash -c "\
      source ./myenv/bin/activate && \
      conda-unpack && \
      pip install -e . && \
      cd ./third_party/lerobot && pip install -e . -i https://mirrors.aliyun.com/pypi/simple/ && \
      pip install deprecated kuavo_humanoid_sdk==1.3.3 opencv-python==4.12.0.88 opencv-python-headless==4.12.0.88 numpy==2.2.6 -i https://mirrors.aliyun.com/pypi/simple/ && \
      conda clean -afy && \
      rm -rf ./myenv/lib/python*/site-packages/*/tests ./myenv/lib/python*/site-packages/*/test ./myenv/pkgs/* \
   "

# =========================
# Stage 2: Final
# =========================
FROM ros:noetic-ros-core-focal

# 设置工作目录
WORKDIR /root/kuavo_data_challenge

# 复制 Conda 环境和项目代码
COPY --from=builder /opt/conda /opt/conda
COPY --from=builder /root/kuavo_data_challenge /root/kuavo_data_challenge

# 环境变量
ENV PATH="/opt/conda/bin:${PATH}"
ENV LANG=C.UTF-8
ENV LC_ALL=C.UTF-8

RUN sed -i 's/archive.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list && \
   sed -i 's/security.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list
# TODO: 如果需要安装其它系统包，请在这里插入
RUN apt-get update && apt-get install -y \
   ros-noetic-cv-bridge \
   ros-noetic-apriltag-ros \
   && rm -rf /var/lib/apt/lists/*

# 保留 ROS 环境变量
# 激活 Conda 环境
RUN echo "source /opt/ros/noetic/setup.bash" >> /root/.bashrc && \
   echo "source /root/kuavo_data_challenge/myenv/bin/activate" >> /root/.bashrc && \
   echo "chmod 777 -R /root/kuavo_data_challenge/kuavo_deploy" >> /root/.bashrc && \
   echo "export ROS_IP=192.168.26.10" >> /root/.bashrc && \
   echo "export ROS_MASTER_URI=http://kuavo_master:11311" >> /root/.bashrc

# 默认命令
CMD ["bash"]

后续步骤同仿真赛提交说明4-5，注意修改 run_with_gpu.sh 中的docker镜像名称为你刚刚打包的真机赛镜像名称即可。

#!/bin/bash

IMAGE_NAME="kdc_v0"
CONTAINER_NAME="kdc_v0"
IMAGE_TAR="${IMAGE_NAME}.tar"   # 镜像文件路径

# 如果容器存在，先删除
if [ "$(docker ps -aq -f name=${CONTAINER_NAME})" ]; then
    echo "Container exists. Removing..."
    docker rm -f ${CONTAINER_NAME}
fi

# 检查镜像是否存在，如果存在则删除
EXISTING_IMAGE=$(docker images -q $IMAGE_NAME)
if [ "$EXISTING_IMAGE" ]; then
    echo "Image $IMAGE_NAME already exists. Removing..."
    docker rmi -f $IMAGE_NAME
fi

# 直接加载镜像
if [ -f "$IMAGE_TAR" ]; then
    echo "Loading image from $IMAGE_TAR..."
    docker load -i "$IMAGE_TAR"
else
    echo "Error: $IMAGE_TAR not found!"
    exit 1
fi

# 创建并启动新的容器
docker run --gpus all -it \
    --net=host \
    -e ROS_MASTER_URI=http://kuavo_master:11311 \
    -e ROS_IP=192.168.26.10 \
    --name ${CONTAINER_NAME} \
    ${IMAGE_NAME} bash

真机赛成绩说明

真机赛的返回结果将包含以下内容：

任务平均得分：三轮测试的平均总得分与小分
每轮评测得分：每轮测试的总得分与小分
每轮评测视频：每轮测试的机器人操作视频（第三视角）
log文件：每轮测试的详细log文件，来源 log/kuavo_deploy/kauavo_deploy.log