Hazır alınmış bir SO-101 leader + follower çifti. Motor ID'leri (1–6) ve baudrate (1.000.000) satıcı tarafından yazılmıştı, lerobot-setup-motors adımı atlandı. Proje so101/ altında kendi sanal ortamıyla kuruldu: lerobot[feetech,dataset,viz,training]==0.6.1, MacBook Pro M5, 32 GB.

Kutuiki kol, iki USB

→

Portvoltajla ayır

→

venvlerobot 0.6.1

→

Kalibrasyonertesi gün

	Follower	Leader
Motor voltajı	~12,5 V	~5,5 V
Servo	STS3215 ×6	STS3215 ×6
Port (o gün)	usbmodem5AB01794851	usbmodem5A7C1232561

Kalibrasyon iki şey kaydeder: her motor için "orta" sayılan sıfır noktası ve eklemin gidebildiği iki uç. Teleop'ta leader eklemi kendi aralığının yüzde kaçındaysa follower da kendi aralığının aynı yüzdesine gider; bu yüzden iki kolun uçları aynı fiziksel açılara denk gelmeli. Dosyalar so101/calibration/follower.json ve leader.json, 13 Eylül 14:10.

Eklem	Follower	Leader	Fark
shoulder_pan	229°	238°	9°
shoulder_lift	209°	210°	1°
elbow_flex	193°	193°	0°
wrist_flex	197°	206°	8°
gripper	128°	104°	çene / tetik, normal

Hiçbir eklemde drive_mode çevirmek gerekmedi. Aynı dosya iki hafta sonra MuJoCo'ya da hizmet etti: 2048 tick kalibrasyon orta pozu, (tick - 2048) * 360 / 4096 derece.

13 Eylül: leader'ı elle oynat, follower birebir izlesin. Beş eklemin yönü de doğru çıktı, takip hatası ortalama 1 birim (aralığın %0,5'i). Ama oraya üç tuzaktan geçerek varıldı.

shoulder_pan0.64birim

shoulder_lift1.75birim

elbow_flex2.25birim

wrist_flex1.36birim

İki görüş, 640×480, 30 fps. Bilek kamerası kutudan çıkan modül; ön/üst görüş için önce MacBook'un kendi kamerası kullanıldı, iki hafta sonra sabit bir Logitech C310 tepeye alındı.

Ad	Donanım	OpenCV index	Ne görüyor
wrist	USB2.0_CAM1, Sonix 05A3:9230, bileğe monte	0	iki çene ve aralarındaki nesne
front (v2, eski)	MacBook dahili kamera	1	tahta, halka, kol; ekran açısına bağlı
top (16 Eylül)	Logitech C310, masanın üstünde	1	tahta, iki bölge, kol tabanı; tepeden

Ders: kamera bir donanım değil, bir sözleşme

İlk robot denemesinde politika dinlenme pozundan çıkmadı. Sebep laptop ekranıydı: kayıt gecesi ekran daha öne eğikti, denemede daha dik. Model bu görüntüyü hiç görmemişti. Ekran eğitimdeki açıya getirilince kol yüzüğe gitti. Kayıt başladıktan sonra kameranın yeri, açısı, ışığı bir daha değişmez; laptop kamerası bunu vaat edemez, masaya sabitlenmiş C310 eder.

Elenenler: GoPro Hero 5 USB'den kamera değil hafıza kartı olarak görünüyor, HDMI yakalama kartı ister. iPhone Continuity Camera Mac'te kamera olarak listeleniyor, yedek olarak duruyor. Hashtag'in kulesindeki 32×32 mm modül (referans: Innomaker U20CAM-1080P) sadece kuleye birebir oturmak istenirse.

14 Eylül, data/ring-center-v2. Görev cümlesi: "Pick up the white ring and place it in the center square of the grid."

Recordinghalkayı al, ortaya koy, kolu geri getir, →

→

Resethalkayı yeni noktaya koy, leader'a dokunma

→

Kötü bölüm← ile sil, tekrar çek

→

BitirEsc

Sabit tutulanlar: aynı halka, tahta aynı yerde, aynı başlangıç pozu, aynı ışık. Değişen tek şey halkanın başlangıç noktası, 15×15 cm'lik bir alan içinde.

Geriye bakınca

Bu veri setinin üç kusuru ancak robotta ortaya çıktı: her bölümün başında 5–7 saniye hareketsiz bekleme vardı, ön kamerada leader ve elim görünüyordu, ve 10 bölüm her iki yöntem için de tabanın altında. Üçü de bir sonraki kayıt protokolünde düzeltildi.

ACT (Action Chunking with Transformers): iki kamera görüntüsü ve altı eklem açısından, gelecek 100 adımlık (3,3 s) hareket dizisini tek seferde tahmin eden bir transformer. Adım adım değil öbek öbek tahmin ettiği için az veriyle akıcı hareket öğrenir. SO-101 için standart ilk politika.

Metrik	Başlangıç	Son (adım 20k)
l1_loss	0,67	0,076
loss		0,091
kld_loss		0,002
epoch		19,9

Kontrol noktaları her 5 000 adımda checkpoints/ altına. caffeinate -i ile gece boyu; terminal kapanırsa --resume=true.

Robota dokunmadan yapılan sağlama: politika, kayıttaki gerçek kamera karelerini sırayla alır ve tıpkı robotta olduğu gibi 100 adımlık chunk'lar üretir. Ürettiği aksiyon kayıttaki aksiyonla karşılaştırılır. Kod so101/sim_check/act_offline_check.py.

	pan	lift	elbow	wrist_flex	wrist_roll	gripper	ort.
ACT hatası (MAE, 10 bölüm)	1,2	3,1	3,4	2,3	0,4	0,8	1,85
Leader–follower takip hatası	0,6	1,8	2,3	1,4	0,2	1,4	1,3

Birim: normalize motor konumu (-100..100). Politikanın hatası, kayıt sırasında follower'ın leader'ı takip hatasıyla aynı seviyede; gripper'ın açılıp kapanma zamanı da tutuyor.

MuJoCo'da oynatma

Aynı yörüngeler SO-101'in MuJoCo modelinde yan yana oynatıldı: solda kayıt, sağda tahmin. Uç nokta farkı ortalama 8 mm, en kötü 24 mm. Dönüşüm: normalize birim, kalibrasyon aralığıyla tick, sonra derece. Izgara adımı iki hafta sonra Hashtag verisinde tam 80 mm çıkınca bu dönüşümün doğruluğu da kanıtlanmış oldu.

Bu LeRobot sürümünde lerobot-record politika almıyor; robotta çalıştırma lerobot-rollout ile. Üç deneme, üç farklı sonuç, hepsi aynı hikâyeyi anlatıyor.

1ekran açısı farklı

→

kol dinlenme pozunda

→

her 100 karede bilek kıpırdıyor

2açı eşleştirildi

→

kol yüzüğün üstüne gitti

→

yaklaş–çekil döngüsü, gripper açılmadı

3operatör kadrajda

→

kol yine dinlenmede

→

iki küçük hamle, geri

Deneme 1. Rerun'daki aksiyon grafiği periyodikti: her 100 karede, yani her ACT chunk'ında, bilek biraz kalkıyor, chunk sınırında geri iniyor. Politika "dinlenme pozunda kal" diyordu. Eğitim karelerine bakınca fark ortaya çıktı: kayıt gecesi laptop ekranı daha öne eğikti, ızgara ortada, alt şeritte laptop gövdesi; denemede ekran daha dikti, arka duvar ve lamba görünüyordu.

Deneme 2. Ekran eğitimdeki açıya getirildi. Kol dinlenmeden çıktı, yüzüğün üstüne uzandı, sonra asılı kaldı: yaklaştı, geri çekildi, yine yaklaştı. Gripper hiç açılmadı; eğitim verisinde gripper kol yüzüğe vardıktan sonra açılıyor, kol oraya hiç varmadı. Temporal ensembling (--policy.temporal_ensemble_coeff=0.01 --policy.n_action_steps=1) checkpoint üstüne yüklenebiliyor, M5'te adım başına 40 ms; denendi, davranış değişmedi.

Deneme 3. Kayıt sırasında ön kameranın sol yüzde kırkında kolum ve gövdem vardı. Kol yine dinlenme pozuna yapıştı.

Replay testi: pipeline mi, düzen mi?

lerobot-replay ile bölüm 0'ın kayıtlı aksiyonları follower'a birebir oynatıldı, 34 saniye, bölüm süresiyle aynı. Kol doğru hareketi yaptı ama yüzüğü birkaç santim ıskaladı. Yani robot, kalibrasyon (dosya 13 Eylül, kayıttan önce, değişmemiş), veri ve politika doğru; kayıttan bu yana yüzük ya da kol tabanı birkaç santim kaymış ve 10 bölümle eğitilmiş politika bunu tolere edemiyor.

Ağ, "görüntü + eklem açıları (+ cümle) → sonraki 100 eklem hedefi" fonksiyonunu öğreniyor. Servo okumaları kolun şu an nerede olduğunu, kameralar nesnelerin nerede olduğunu söylüyor. Kilit nokta: ağ sadece veride değişen şeyleri kullanmayı öğrenir.

Halka her bölümde farklı yerde

→

bilek kamerası bilgi taşıyor

→

kavrama halkaya göre ayarlanıyor ✓

Izgara hep aynı yerde

→

üst görüntü bilgi taşımıyor

→

hücre = sabit eklem açıları ✗

Tam ezber değil, ama ezbere yakın: gördüğü aralıkta genelleme, dışında ezber. Bir garajda park etmeyi öğrenmiş biri gibi. Gözünü kullanır, çöp kutusu yerinden oynamışsa fark edip direksiyonu düzeltir; ama başka bir garaja sokarsan yine eski yerde döner.

LLM bunu çözmez

Hashtag Robotics mimarisinde LLM'in (Strands Agent) işi "hangi hamle" sorusu: tahtaya bakar, yasal hücreyi seçer, 18 sabit cümleden birini üretir. Cümle politikaya gider. Politika "top left cell" için eğitimde neredeyse oraya gider; tahta 10 cm kaydıysa eski yere. LLM'in "tahta 10 cm sağda" diyebileceği bir kanal yok; cümleye eklesen bile politika o kelimeleri hiç görmedi. LLM hatayı üst kameradan fark edip yeniden deneyebilir, düzeltemez.

Taşınabilirlik için üç yol

Yol	Ne ister	Karar
Fikstür: tahta, çerçeveler, kol tabanı ve kamera tek plakada	kontrplak, vida	önerilen; "istediğim yere koyayım" geometriyi hiç bozmaz
Veri çeşitliliği: tahta her bölümde farklı yer ve açıda	birkaç yüz bölüm, birkaç eğitim turu	sonra; Hashtag bile yapmamış
Hibrit: ArUco ile tahtayı bul, klasik kontrolle yerleştir	kamera-robot kalibrasyonu, IK	LeRobot dışı, ayrı proje

Görüş politikası simde çalıştırılamaz, kamera görüntüsü yok. Ama simülasyon iki şey için işe yaradı: Hashtag Robotics'in tezgâhını görmek ve yörüngeleri kontrol etmek. Kod so101/sim_check/xox_*.py, üst repodaki .venv (mujoco 3.12).

Tezgâh nasıl bulundu

Satıcı ölçülü fikstür çizimi yayımlamamış. Onun yerine 195 gösterimin eklem kayıtları (sadece parquet, 8 MB, video yok) indirildi; her bölümde gripper'ın kapandığı ve açıldığı kare ileri kinematikle uç nokta konumuna çevrildi. Bırakma noktaları hücreye göre ortalandı, üstüne 3×3 ızgara oturtuldu.

Kalibrasyon satıcının değil bizim follower'ınki; adımın tam tutması dönüşümün yeterince doğru olduğunu gösterdi. Taşlar mocap gövde: gripper kapanınca çene ucuna yapışır, açılınca komuttaki hücreye oturur (kayıtlar doğrulanmış başarılı yerleştirmeler; ham bırakma noktası hücreden 10–50 mm sapıyor).

Arayüz

• Pencere: mjpython sim_check/xox_sim.py --viewer
• Tuşlar: 1–9 hücre (numpad düzeni), X/O taş; oynat Enter, oyun 1'in sıradaki hamlesi G, sıfırla R
• Video: --game 1 --out outputs/sim_check/xox_game1.mp4

Soru: SmolVLA ile eğitirsek daha az veriyle olur mu? Kaynaklı cevap: hayır. SmolVLA'nın kazandırdığı şey az veri değil; aynı veriyle daha yüksek başarı, ışığa ve arka plana dayanıklılık ve dil komutu.

Kaynak	Bulgu
LeRobot SmolVLA dokümanı	~50 bölüm, 5 konum × 10; 25 bölüm "yetmedi"
lerobot issue #1239	30 bölümle SmolVLA başarısız, aynı veriyle ACT çalıştı
ggando.com, 2026-03	50 bölüm / 30 cm alan başarısız; 75 bölüm / 10 cm başarılı; SmolVLA %60–80, ACT %80
SmolVLA makalesi, SO-101	SmolVLA %90 eğitim konumlarında, %50 yeni konumda; ACT %70 / %40
SO-101 VLA benchmark, 2026-06, 100 gösterim	π0.5 %56, ACT %34, SmolVLA %32,5
SEVO, 2026-05	ışık, arka plan ve dikkat dağıtıcıyı kayıtta çeşitlendirmek genellemenin en önemli faktörü

bizim ring-center-v210 bölüm

LeRobot docs tabanı50 bölüm

ggando, başarılı koşu75 bölüm

Kaynaklar: LeRobot SmolVLA · issue #1239 · ggando · SmolVLA makalesi · benchmark

Soru: MuJoCo'da sentetik veri üretsek? Kaynaklı cevap: 2026 itibarıyla hayır. MuJoCo'da eğitilip gerçek SO-101'e aktarılmış tek bir ACT/SmolVLA politikası yayımlanmamış; topluluğun MuJoCo ortamlarının hepsi "sim-only" ya da "phase 2 unstarted".

Ne çalışmış	Koşul	Sonuç
Squint: görsel RL, ağır domain randomization	RTX 3080+, bilek kamerası, siyah fon, küp/kutu	gerçekte %91, 8 görev
NVIDIA Isaac + GR00T N1.6, 75 sim gösterim	RTX 4090 sınıfı, Docker	simde %50–70; gerçekte pick %95→%75, uçtan uca %50→%40
DreamGen: video dünya modeli, "nöral yörüngeler"	13 gerçek + 40 sentetik, tic-tac-toe	GR00T N1 %21 → %45
HIL-SERL SO-101 blogu	MuJoCo → gerçek RL	"başarısız", gerçek robotta devam

LeRobot ekibi simi RL yığınını test etmek ve benchmark için kullanıyor; SO-101 için resmî sim veri seti ya da simde eğitilmiş checkpoint yok. Hashtag Robotics'te sim, chunk'ı gerçek kola göndermeden önce fizikten geçirmek için var.

Kaynaklar: Squint · NVIDIA sim-to-real kursu · DreamGen · LeRobot il_sim

Hedefimiz bu proje: Hashtag Robotics SO-101 tic-tac-toe. Ne yaptıklarını dosyalarından çıkardık; yayımlamadıklarını da not ettik.

	Hashtag Robotics
Veri	195 bölüm = 15 oyun × 13; 18 görev (kırmızı X, beyaz O × 9 hücre); 80 dakika
Düzen	sabit tahta 240 mm, 52 mm kare taşlar, iki 250×200 mm bekleme çerçevesi; taş çerçeve içinde serbest
Kameralar	üst: 60 cm kulede 32×32 mm USB modül; bilek. 640×480, 30 fps
Cümle şablonu	put the red X in the top left cell (top = tabandan uzak satır, left = robotun solu)
Model	lerobot/smolvla_base tam fine-tune, 120k adım, batch 16, Colab A100, 14,7 saat
Kayıtlı oyun	65 bölüm / 80k adımlık daha eski modelle; 120k için ölçülmüş başarı yok
Runtime	lerobot-rollout episodic, async full-chunk (rtc.enabled=false, queue_threshold 18), max_relative_target 5.0, macOS AVFoundation
Hamle seçimi	Strands Agent (Ollama vision modeli) yasal hücreyi seçer, deterministik kod 18 cümleden birini üretir

Üst kameratahta durumu

→

Strands Agentyasal hücre

→

Şablon18 cümleden biri

→

SmolVLA50 adımlık chunk

→

Doğrulamaüst kamera

Eğitim Colab'da, çalıştırma Mac'te. İkisinin de sayısı ya ölçüldü ya kaynaktan alındı.

Kalem	Değer	Not
Colab Pro	100 birim / ay	elde var
A100	5–11 birim / saat	2026 ölçümleri farklı; yaklaşık
SmolVLA 20k adım, batch 64, A100	4–5 saat, ~$2–4	docs + topluluk
Oturum limiti	12 saat	checkpoint Drive'a, --resume
Hashtag'in 120k koşusu	14,7 saat, ~80 birim	oturuma sığmaz; gereksiz
L4 (22 GB)	batch 8–16	A100 yoksa

Varsayılan reçete ucuz

LeRobot'un kurulu SmolVLA varsayılanı tam fine-tune değil: freeze_vision_encoder=True, train_expert_only=True. 450M parametrenin sadece ~100M'lik aksiyon uzmanı eğitiliyor. Toplulukta çalışan sonuçlar (ggando %60–80, Galway 8/10, cn0303) bu varsayılanla alındı. Hashtag ikisini de kapatıp tam fine-tune yapmış; belgelenmiş bir kazancı yok.

Mac'te çalıştırma

Sync modda SmolVLA'yı 4,5 Hz'de "kullanılamaz" bulan ekip var; Mac'te CUDA'sız ACT'i 15 Hz'de çalıştırınca başarının %90'dan %40'a düştüğünü ölçen de. Bu yüzden rollout komutunda RTC var: --inference.type=rtc --inference.rtc.execution_horizon=10 --inference.rtc.max_guidance_weight=10.0. Chunk hesabı kol hareket ederken yapılır, kol beklemez.

Kaynaklar: hardware guide · RTC · Galway · DevelopersIO

Karar 16 Eylül'de verildi: gerçek teleop verisi, SmolVLA fine-tune (Colab A100), Mac'te RTC inference, sabit fikstür. Sim sentetik veri yok. Bu hafta robottan uzaktayım; haftaya devam.

Faz 0 · donanımC310 üst kamera ✓ · baskılar ve fikstür plakası ○

Faz 1 · yüzük v350 bölüm, 5 konum × 10 · Colab SmolVLA 20k · Mac RTC

Faz 2 · XOX18 görev × 10 bölüm · satıcı checkpoint'inden fine-tune

Faz 3 · oyun katmanıhamle seçimi (Strands ya da minimax) · doğrulama

Faz	Amaç	Çıkış ölçütü
1 · yüzük v3	kayıt protokolünü öğrenmek, Colab ve RTC akışını bir kez uçtan uca görmek; ~$3	10 denemede 6–8 başarı
2 · XOX koşu A	satıcı checkpoint'inden uzman-only 20k, ucuz	18 görev × 3 deneme tablosu
2 · XOX koşu B	A zayıfsa smolvla_base tam fine-tune 40k	aynı tablo, A ile karşılaştır
3 · oyun	politika oturduktan sonra	bir oyunu baştan sona oynamak

Faz 1'in gerekçesi: XOX 180 bölümlük bir kayıt; protokol hatasını orada değil 50 bölümlük bir turda öğrenmek daha ucuz.

Ayrıntılı liste so101/todo.md; kayıt planı bir sonraki kartta.

Kurallar her bölümde aynı. Bunları tutan bir 50 bölüm, tutmayan 200 bölümden iyi.

1. Kadrajda hareket eden tek şey follower. Leader ve operatör her iki kameranın dışında.
2. Kamera, tahta, çerçeveler, kol tabanı oturum boyunca hiç oynamaz; ışık sabit. Bantla işaretle.
3. Bölüm başlar başlamaz hareket. Tek hamlede kavra, hücreye bırak, gripper'ı aç, kolu başlangıca getir, → ile bölümü hemen bitir. Bozuk bölüm ←.
4. Alınacak taş her bölümde yuvasının içinde farklı bir noktada; 1–3 cm oynat, döndür.
5. Konum çeşitliliği küçük alanda, çok tekrarla: 5 konum × 10 bölüm.

XOX planı: 18 blok × 10 bölüm

Her blok bir görev cümlesi ve tek bir lerobot-record çağrısı; --dataset.single_task bu sürümde bölüm başına değişmiyor. Bloklar X/O dönüşümlü, üç oturum, oturum başına 6 blok, yaklaşık bir saat. Her bölüm için plan tahtada hangi taşların duracağını ve alınacak taşın yuvasını söylüyor; dataset'teki episode_index plandaki numarayla aynı olur. Üretici scripts/xox_kayit_plani.py, çıktı kayit_plani_xox.md.

#	blok içi	tahta (önce) üst │ orta │ alt	taş	alınacak taş
60	1/10	. . . │ . . X │ . . O	2	X yuva 3
…		180 satır, her biri bir bölüm

X hamlesi#X = #O

→

O hamlesi#X = #O + 1

→

bitmiş tahta yok

→

hedef hücre boş

doluluk 0–6

→

her yuva en az bir kez

→

X/O dönüşümlü bloklar

Haftaya robotla denenecek varyantlar. Her biri bir soruya cevap veriyor; sırası maliyete göre.

Varyant	Düzen	Veri	Eğitim	Cevapladığı soru
V0 · yüzük v3	C310 üst + bilek, ızgara, halka	50 bölüm, 5 konum × 10	smolvla_base, uzman-only, 20k, A100	protokol ve Colab → Mac akışı çalışıyor mu
V1 · XOX doğaçlama	metal halka O, ince artı X, C310, bantla çizilmiş bölgeler	180 bölüm, 18 × 10	Hashtag checkpoint'inden uzman-only, 20k	ana deneme: 18 görev, cümleyle ayırt
V2 · XOX tam	V1 verisi	aynı	smolvla_base tam fine-tune, 40k, batch 16	uzman-only yetmezse
V3 · ACT kıyası	V1 verisi	aynı	ACT, M5'te gece, 20k	aynı veride ACT ne yapıyor; ucuz karşılaştırma
V4 · Hashtag seti	baskılı tahta, kare taşlar, kule	180 bölüm	V1 reçetesi	satıcı düzenine sadakat ne kazandırıyor
V5 · tahta çeşitliliği	fikstür yok, tahta her bölümde farklı yerde	300+ bölüm	V2 reçetesi	genelleme; ileride

V0 6/10+protokol tamam

→

V1 kaydet3 oturum

→

V1 koşu A18 × 3 deneme

→

zayıf görevlere +5 bölüm

→

V2 gerekirse

Ölçüm her varyantta aynı: görev başına 3 deneme, sonuç doğru hücre / yanlış hücre / düşürdü, tablo. Toplulukta konum çeşitliliği altında %60–80'in üstü nadir; hedef bu bant, 18 görevde tutarlı.

Hepsi so101/ içinden, source .venv/bin/activate sonrası. Portlar değişirse ls /dev/cu.usbmodem*. Kameralar: top index 1 (C310), wrist index 0.

Ortak parçalar

ROBOT="--robot.type=so101_follower --robot.port=/dev/cu.usbmodem5AB01794851 --robot.id=follower --robot.calibration_dir=calibration"
LEADER="--teleop.type=so101_leader --teleop.port=/dev/cu.usbmodem5A7C1232561 --teleop.id=leader --teleop.calibration_dir=calibration"
CAMS='--robot.cameras={ top: {type: opencv, index_or_path: 1, width: 640, height: 480, fps: 30}, wrist: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30}}'

Kayıt

lerobot-record $ROBOT $LEADER "$CAMS" \
  --dataset.repo_id=fport/so101_xox_v1 --dataset.root=$PWD/data/xox-v1 \
  --dataset.single_task="put the red X in the top left cell" \
  --dataset.num_episodes=10 --dataset.episode_time_s=30 --dataset.reset_time_s=20 \
  --dataset.streaming_encoding=true --dataset.encoder_threads=2 \
  --dataset.push_to_hub=false --display_data=true
# sonraki bloklar: --resume=true

Eğitim (Colab)

pip install -q "lerobot[smolvla]==0.6.1" && hf auth login --token $HF_TOKEN
lerobot-train \
  --policy.path=HashtagRobotics/smolvla-tic-tac-toe-games-1-15-120k \
  --dataset.repo_id=fport/so101_xox_v1 \
  --rename_map='{"observation.images.top":"observation.images.camera1","observation.images.wrist":"observation.images.camera2"}' \
  --policy.empty_cameras=1 --policy.device=cuda --policy.use_amp=false \
  --policy.scheduler_decay_steps=20000 \
  --policy.repo_id=fport/smolvla_xox_v1 --policy.push_to_hub=true --policy.private=true \
  --batch_size=32 --steps=20000 --save_freq=5000 --save_checkpoint_to_hub=true \
  --num_workers=4 --seed=42 \
  --output_dir=/content/drive/MyDrive/so101/smolvla_xox_v1 --job_name=smolvla_xox_v1 --wandb.enable=false

Robotta (Mac, RTC)

hf download fport/smolvla_xox_v1 --local-dir policies/smolvla_xox_v1
lerobot-rollout --strategy.type=base $ROBOT "$CAMS" \
  --policy.path=policies/smolvla_xox_v1 --policy.device=mps \
  --inference.type=rtc --inference.rtc.execution_horizon=10 --inference.rtc.max_guidance_weight=10.0 \
  --task="put the red X in the top left cell" --duration=40 --display_data=true

Sağlama ve sim

python sim_check/act_offline_check.py --device mps
../.venv/bin/python sim_check/mujoco_replay.py --npz outputs/sim_check/ep000.npz --gif
../.venv/bin/mjpython sim_check/xox_sim.py --viewer
python scripts/smolvla_latency.py --path policies/smolvla_xox_v1 --device mps