Día 4
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-smidetecta 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.tomlyuv.locksustituyen arequirements.txt, y el entorno está en.venv/. uv add mjlab==1.6.0instala 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-envsmuestra las tareas que trae mjlab, entre ellasMjlab-Lift-Cube-Yam(sin cámara),-Depthy-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:


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 playpara entender por qué falla en el ~30 % de los intentos. - Prueba corta con cámara:
Mjlab-Lift-Cube-Yam-Depthcon 256 entornos. - Repetir con 1500 iteraciones para comprobar el resultado con otra semilla.