validation_report.md

pi05_so101 v2 模型验证记录

验证日期：2026-07-15 23:04–23:29 被测模型：pi05_so101_v2 / exp so101_v2 / checkpoint 7500（最终版） 推理部署：单卡 RTX 5090 policy server + SSH 隧道，端到端延迟 ~1s/动作块

被测模型训练信息

项	值
底座	pi0.5-DROID（PyTorch checkpoint）
训练数据	Yunrufeng000/so101_two_tasks_v2：四数据集合并 306 条 / 120,269 帧（v1: stack 67 + basket 97；v2: stack 92 + basket 50，v2 数据含镜像布局/中间带/远端摆位/抓空恢复演示）
步数	7,500 步（batch 32 ≈ 2 epoch）
学习率	cosine：warmup 500 → 峰值 5e-5 → 衰减至 2.5e-6
训练耗时	3h21m（1.61s/步）
最终 loss	0.0073
其他	action_horizon=15 @30Hz，delta 动作+夹爪绝对，单相机 224×224（resize_with_pad）

验证结果（每任务 10 条，60s 时限，人工 s/f 判定）

任务	v2 成功率	v1 基线	提升
积木进篮（basket）	7/10	6/10	+1
叠积木（stack）	4/10	2/10	×2

明细（episode 编号对应本数据集）：

• basket（ep0–9）：✅ 0,1,2,4,6,8,9 ｜ ❌ 3,5,7（全部 60s 超时判负）
• stack（ep10–19）：✅ 10,14,15,19 ｜ ❌ 11,12,13,16,17,18（除 ep19 外均超时判负）

数据存档

• 本数据集（eval_pi05_v2）：20 条完整轨迹 + 视频（30fps 记录，含模型动作与实际关节状态逐帧对齐）
• 成绩明细 CSV：eval_results.csv（时间戳 2026-07-15 23:04 起的 20 行）
• v1 对照测评：Yunrufeng000/eval_pi05_so101（HF）

备注

• 判定口径与 v1 一致：失败条跑满 60s 时限；每条开始前机械臂自动归位至训练 home 位
• v2 相比 v1 的改动：数据量 164→306 条（重点补镜像布局/中间带/远端/恢复演示）、训练步数 20k→7.5k（防过拟合）、峰值 lr 2.5e-5→5e-5
• 后续分析建议：stack 失败 6 条的逐帧归因（是否仍集中在首抓精度）