Eerste snelle start
Volg bij het voor het eerst trainen en uitvoeren van een model deze vijf stappen:
- Rond de apparaatinstelling en controle af. Open SenseCraft Robotics, klik op Get Started op de startpagina, kies het apparaatmodel en koppel achtereenvolgens de leader arm, follower arm en camera’s. Rond daarna de kalibratie en teleoperatiecontrole af. Controleer of de follower arm de leader arm stabiel in dezelfde richting volgt. Controleer bij visuele training ook of de camera’s het werkgebied en de taakobjecten duidelijk vastleggen.
- Plan en verzamel demonstratiegegevens. Ga naar Collection, definieer één concrete taak en voer de datasetnaam, taakbeschrijving, het aantal episodes, de duur per episode en de rusttijd in. Leid tijdens de opname de follower arm met de leader arm door de volledige taak en houd armconfiguratie, cameraposities en taakdoel gelijk. Na afloop genereert het platform een ruwe dataset.
- Controleer en organiseer de dataset. Ga naar Dataset en controleer video’s, voorbeeldframes, episodeduur, framerate en gewrichtscurves. Verwijder episodes met mislukkingen, botsingen, ernstige occlusie of duidelijke frame-uitval. Gegevens uit verschillende batches mogen alleen worden samengevoegd als taak en apparaatconfiguratie gelijk zijn. Ga pas door naar training nadat de datakwaliteit is bevestigd.
- Train en verkrijg een model. Ga naar Training, kies een gecontroleerde dataset, trainings-policy en aantal trainingsstappen en start cloud- of lokale training. Haal het model na afloop op of registreer het lokaal. Het gegenereerde model moet nog op de echte robotarm worden gevalideerd; alleen een voltooide training betekent niet dat de taak geslaagd is.
- Voer het model uit en valideer het resultaat. Ga naar Model Run / Inference, controleer of robotarm, camera-indeling en taakomgeving overeenkomen met de verzameling, selecteer het bijbehorende model en begin met één korte test. Blijf de arm tijdens de uitvoering observeren. Stop onmiddellijk als de beweging van het doel afwijkt of een gevaarlijke positie nadert.
| Fase | Uit te voeren | Resultaat | Volgende stap |
|---|---|---|---|
| Apparaatinstelling | Kies het apparaatmodel, koppel leader arm, follower arm en camera’s en rond kalibratie en teleoperatiecontrole af. | Een apparaatconfiguratie die klaar is voor besturing en gegevensverzameling. | Verzamel demonstraties met de huidige configuratie. |
| Gegevensverzameling | Demonstreer de doeltaak met de leader arm en neem beelden, gewrichtstoestanden en actiereeksen op. | Een ruwe dataset. | Controleer de verzamelkwaliteit op de Dataset-pagina. |
| Datasetbeheer | Controleer video’s, framerates, gewrichtscurves en episodes, verwijder mislukte of afwijkende gegevens en voeg datasets zo nodig samen. | Een stabiele, taakconsistente trainingsdataset. | Selecteer deze dataset voor training. |
| Training | Kies dataset, trainings-policy en trainingsstappen en start cloud- of lokale training. | Een model dat op de Run-pagina kan worden geladen. | Valideer het model op de echte robotarm. |
| Modeluitvoering / inferentie | Kies een model dat bij het huidige apparaat en de taak past en begin met één korte uitvoering. | Een geslaagd, gedeeltelijk geslaagd of mislukt validatieresultaat. | Behoud de configuratie, verzamel aanvullende data of train opnieuw op basis van het resultaat. |
- Alleen teleoperatie of vaste acties opnemen: rond apparaatinstelling, kalibratie en teleoperatiecontrole af. Camera’s zijn optioneel wanneer geen visuele functies worden gebruikt.
- Een model trainen en de robotarm een taak autonoom laten uitvoeren: rond gegevensverzameling, datasetcontrole, training en modeluitvoering in deze volgorde af. Elke fase gebruikt het resultaat van de vorige; controleer daarom vóór de volgende stap of de huidige fase voltooid is en het resultaat correct is.
- Ga verder op basis van het uitvoeringsresultaat: behoud bij succes de huidige apparaat-, data- en trainingsconfiguratie en verhoog het aantal tests geleidelijk. Verzamel bij gedeeltelijk succes extra gegevens voor posities, houdingen of processtappen waar het model vaak faalt. Controleer bij mislukking eerst verbindingen, cameraposities en taakomgeving, en controleer daarna de dataset op mislukte of afwijkende samples; corrigeer de problemen en train opnieuw.