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 --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：机器人站立不动，完成pick and place操作。 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

工业零件质检：将机械套管承重，根据亮灯情况判断合格与不合格，并产品分别放在指定区域

任务三

汽车大件上料：将汽车钣金料抓取，放置到指定区域

任务评分

每个任务将会测评十轮，最终得分为十轮得分的平均值

任务1：桌面物料分拣（100分）

测评时，会随机放置三种物料（安全带、线缆、pin口），每种物料各一个，共三个，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：20分/每个物体，共60分

• 全部完成奖励：10分

任务2：工业零件质检（100分）

测评时，会在任意一排放置五个套管，需要将一排五个套管全部抓取完成，并根据“绿灯合格，红灯不合格”的规则放置，评分标准如下：

• 准确放至电子称：10分/每个套管，共50分

• 正确放至目标区域：10分/每个套管，共50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）

########不需要修改#######
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}

########根据实际目录修改#######
rosbag:
    rosbag_dir: /path/to/your/rosbag
    num_used: null
    lerobot_dir: /path/to/your/lerobot/save/file
    chunk_size: 100

dataset:
    only_arm: true  # 默认true, 是否只使用手臂数据
    eef_type: qiangnao # 真机可选：leju_claw, qiangnao，任务一二是夹爪 leju_claw，任务三是灵巧手 qiangnao
    which_arm: both  # 需要哪一只手臂的数据，可选: left, right, both，注意这会同时选择对应手臂的相机，已默认包含头部相机，任务一和三是单手操作，可以选right（但不是一定选），任务二必须选both
    use_depth: true  # 是否需要深度图像数据，与上面手臂保持一致的深度数据，目前本分支只有diffusion policy支持了深度，ACT policy暂不支持深度图像，但在dev分支中已经支持
    depth_range: [0, 1500]  # 深度图的裁剪范围，单位：毫米

    task_description: "Pick and Place"

    train_hz: 10
    main_timeline: head_cam_h
    main_timeline_fps: 30
    sample_drop: 10


    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)

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}

env:
    env_name: Kuavo-Real  # kuavo环境名称，仿真Kuavo-Sim，真机Kuavo-Real
    control_mode: joint # joint 或 eef （正在开发中）
    eef_type: qiangnao  # 末端执行器类型，真机可选leju_claw或qiangnao: 根据任务使用的eef选择，任务一和二都是夹爪 leju_claw，任务三是灵巧手 qiangnao
    which_arm: both  # 需要哪一只手臂的数据，可选: left, right, both，注意这会同时选择对应手臂的相机，已默认包含头部相机；任务一和三是单手操作，可以选right（但不是一定选），任务二必须选both
    head_init: null  # 机器人头部初始位置，仿真请默认使用这个值，保持观测统一, 真机可根据需要调整，一般为null！！！
    ros_rate: 10  # 推理控制频率，单位Hz

    only_arm: true  # 默认true, 是否只使用手臂数据

    image_size: &IMGSIZE [848, 480]  # 图像大小：宽，高
    depth_range: &DEPTHRANGE [0, 1500]  # 深度图范围设置，单位mm，default=[0,1500]
    obs_key_map:  # 话题、消息类型、频率、图像尺寸、深度裁剪等配置，深度图范围设置，单位mm，default=[0,1500]，请注意需要与训练保持一致！
        head_cam_h: ["/cam_h/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]  # 头部RGB相机话题，必选
        wrist_cam_l: ["/cam_l/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]  # 左手腕RGB相机话题，请对应选择，与下至少选择一个
        wrist_cam_r: ["/cam_r/color/image_raw/compressed", "CompressedImage", 30, *IMGSIZE]  # 右手腕RGB相机话题，请对应选择，与上至少选择一个
        depth_h: ["/cam_h/depth/image_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]  # 头部相机深度图话题，可与上述对应选
        depth_l: ["/cam_l/depth/image_rect_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]  # 左手腕相机深度图话题，可与上述对应选
        depth_r: ["/cam_r/depth/image_rect_raw/compressedDepth", "CompressedImage", 30, *IMGSIZE, *DEPTHRANGE]  # 右手腕相机深度图话题，可与上述对应选
        joint_q: ["/sensors_data_raw", "sensorsData", 500]  # 关节角度话题，必选
        qiangnao: ["/dexhand/state", "JointState", 500]  # 末端执行器的话题，灵巧手
        #leju_claw: ["/leju_claw_state", "lejuClawState", 500]  # 末端执行器的话题，夹爪
        #rq2f85: ["/gripper/state", "JointState", 500]  # 末端执行器的话题，仿真中夹爪 # 根据选择的末端执行器类型，选择对应的话题，并确保与训练时一致

    arm_state_keys: ["joint_q","gripper"]  # 默认不动，模型观测输入的手臂状态包含关节角度和夹爪开合状态
    frame_alignment: false  # 是否启用帧对齐，default=false
    ratio: 1.0 # 使用帧对齐时，获取最近观测占所有历史观测的比例，default=1.0

    limits:
        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]

    # 以下环境配置为不建议改动配置

    qiangnao_dof_needed: 1

    is_binary: false

inference:
    go_bag_path: /path/to/your/go.bag # go_bag文件由主办方提供，选手不需要修改该参数
    policy_type: "act"  # 策略名字，支持diffusion，act等
    eval_episodes: 10  # 测试回合数，真机推理可以连续推理，设置为10或者大于10数值均可
    seed: 42
    start_seed: 42
    device: "cuda"
    task: "your_task"
    method: "your_method"
    timestamp: "your_timestamp"
    epoch: best  # 使用训练保存的哪一个epoch，可填50，100，best等，注意：代码将在outputs/train/<task>/<method>/<timestamp>/epoch<epoch>中load policy的模型参数
    max_episode_steps: 500  # 最大回合步数，真机建议设置为500即可

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

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"]
   

3. 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：

1. 任务平均得分：十轮测试的平均总得分与小分

2. 每轮评测得分：每轮测试的总得分与小分

3. 每轮评测视频：每轮测试的机器人操作视频（第三视角）

4. log文件：每轮测试的详细log文件，来源 log/kuavo_deploy/kauavo_deploy.log