1 minute read

Objetivo del día

Arreglar la GPU, instalar mjlab y comprobar si mi portátil puede entrenar el ejemplo del brazo YAM sin cámara.

GPU

  • He tenido que poner la clave MOK de Secure Boot y ya funciona: nvidia-smi detecta la RTX 3060 Laptop (6 GB), driver 580. Antes no me detectaba la GPU.

Instalación de mjlab

  • La versión actual de mjlab (1.6.0) exige MuJoCo 3.11; yo tenía la 3.3.7.
  • Paso el repositorio a uv: pyproject.toml y uv.lock sustituyen a requirements.txt, y el entorno está en .venv/.
  • uv add mjlab==1.6.0 instala también MuJoCo 3.11, MuJoCo Warp, PyTorch y RSL-RL.
  • Comprobado que mi modelo del UR5e sigue cargando con MuJoCo 3.11.
  • uv run list-envs muestra las tareas que trae mjlab, entre ellas Mjlab-Lift-Cube-Yam (sin cámara), -Depth y -Rgb.

Prueba: brazo YAM levantando un cubo (sin cámara)

Comando:

uv run train Mjlab-Lift-Cube-Yam --env.scene.num-envs 1024 --agent.logger tensorboard
  • --env.scene.num-envs 1024: 1024 brazos simulados a la vez (por defecto es 1).
  • --agent.logger tensorboard: guarda las gráficas en local (por defecto usa wandb, que pide cuenta).
  • --agent.max-iterations: por defecto 5000.

Prueba corta (100 iteraciones): ~38 s.

Entrenamiento completo (5000 iteraciones):

Dato Valor
Duración 57 min
Velocidad ~35.000–55.000 pasos/s
Memoria GPU máxima 1203 MB de 6144
Temperatura máxima 66 °C
  • Aprende casi todo en las primeras ~750 iteraciones y luego se estanca en ~70 % de éxito.
  • Los intentos que acaban porque la pinza choca con el suelo bajan de ~15 % (hacia la iteración 300) a ~3 % al final.

Vídeo del brazo con el modelo entrenado (tarea de ejemplo Mjlab-Lift-Cube-Yam de mjlab, licencia Apache 2.0, con el brazo i2rt YAM incluido en mjlab):

Porcentaje de éxito en TensorBoard:

TensorBoard: porcentaje de éxito del entrenamiento sin cámara

Curvas del entrenamiento de Mjlab-Lift-Cube-Yam

Datos del entrenamiento en CSV

Conclusiones

  • La tarea sin cámara es cómoda en mi portátil: usa menos del 20 % de la memoria.
  • Con ~1000–1500 iteraciones (~12–18 min) basta; para pasar del ~70 % habría que cambiar el diseño de la tarea, no entrenar más.
  • Falta probar la versión con cámara, que es la que más memoria y tiempo gasta.

Próximos pasos

  • Ver los fallos con uv run play para entender por qué falla en el ~30 % de los intentos.
  • Prueba corta con cámara: Mjlab-Lift-Cube-Yam-Depth con 256 entornos.
  • Repetir con 1500 iteraciones para comprobar el resultado con otra semilla.

Updated: