경로	Episodes	Representation	State / action
`policies/d097_joint`	97	Joint	오른팔 관절 7 + grasp
`policies/d097_task`	97	Task	오른팔 EE pose 7 + grasp
`policies/d150_joint`	150	Joint	오른팔 관절 7 + grasp
`policies/d150_task`	150	Task	오른팔 EE pose 7 + grasp

각 경로에는 아래 파일만 포함합니다.

text

checkpoints/policy_best.ckpt
config.yaml
dataset_stats.pkl
episode_splits.json
metrics/metrics.csv
plots/*.png

optimizer state가 포함되어 약 3배 큰 policy_last.ckpt와 Rerun/W&B 로그는 배포에서 제외했습니다.

Architecture

ACT: CVAE Transformer
Visual backbone: ResNet-18
Cameras: cam_high, cam_right_wrist
State/action dimension: 8
Action chunk: 90 steps
Control rate: 25 Hz
Training epochs: 2,000

Task-space 정책은 [x, y, z, qw, qx, qy, qz, grasp]를 예측하며 실행 시 프로젝트의 IK solver로 joint target으로 변환합니다.

Evaluation

각 조건을 100회씩, 총 2,000 rollouts로 평가했습니다. 실패에는 20초 timeout을 부여한 penalized completion time을 사용했습니다.

Policy	f=0 success	f=5 success	f=10 success	f=10 speedup
D97 Joint	79%	80%	75%	1.174×
D97 Task	95%	100%	97%	1.507×
D150 Joint	100%	100%	98%	1.424×
D150 Task	83%	100%	90%	1.460×

전체 결과와 95% confidence interval은 evaluation/experiment_summary.csv에 포함되어 있습니다. PTE f=5는 가장 안정적인 공통 운용점이었고, f>=15에서는 성공률이 급격히 감소했습니다.

Inference

먼저 모델을 고정 revision으로 내려받습니다.

bash

hf download ggh-png/ffw-sh5-act-color-sort \
  --revision v3.1.0 --local-dir outputs/hf/ffw-sh5-act-color-sort

bash

python3 src/teleop_app.py --env 1 \
  --policy-checkpoint outputs/hf/ffw-sh5-act-color-sort/policies/d150_joint/checkpoints/policy_best.ckpt \
  --policy-representation auto \
  --policy-pte-steps 5

실행 코드와 MuJoCo 환경은 https://github.com/ggh-png/aiworker-mj-lab에서 확인할 수 있습니다.

Limitations

MuJoCo 색상 분류 환경에서만 정량 검증했습니다.
실제 로봇 배포 성능은 측정하지 않았습니다.
Task-space 정책 성능은 IK gain, collision constraint와 좌표계에 의존합니다.
큰 PTE look-ahead는 접촉·파지 단계를 건너뛰어 실패할 수 있습니다.

License

코드, checkpoint와 학습에 사용된 asset의 재배포 조건을 최종 확인하기 전까지 license: other로 표시합니다.