File size: 13,352 Bytes
6ca9f88 3a0fba5 6ca9f88 3a0fba5 6ca9f88 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 | #!/usr/bin/env python3
"""Прогон клетки «SpatialVLA × SimplerEnv/bridge».
Инференс — строго по авторскому примеру из их README:
processor = AutoProcessor.from_pretrained(ckpt, trust_remote_code=True)
model = AutoModel.from_pretrained(ckpt, trust_remote_code=True,
torch_dtype=torch.bfloat16).eval().cuda()
inputs = processor(images=[image], text=prompt, return_tensors="pt")
out = model.predict_action(inputs) # входы переносит их код, не наш
actions = processor.decode_actions(out, unnorm_key="bridge_orig/1.0.0")
`decode_actions` отдаёт словарь с `actions` формы (4, 7): чанк из четырёх
действий по семь чисел.
**Проприоцепция не подаётся вовсе** — модель принимает только кадр и текст.
Значит ловушки с системой координат состояния, которая стоила GreenVLA почти
всего SR, здесь нет по построению.
Два преобразования на стыке, и они выведены из ИХ ЖЕ обучающего кода
(`data/oxe/transforms.py::bridge_orig_dataset_transform`): действие там —
шесть непрерывных чисел плюс `binarize_gripper_actions` на последнем. Набор
`bridge_orig` тот же, что у GreenVLA, поэтому и соглашения те же:
1. **Поворот — углы Эйлера**, а контроллер WidowX ждёт вектор ось-угол
(`Rotation.from_rotvec`). Переводим `euler2axangle`, как это делает
эталонная обёртка SimplerEnv для этого робота.
2. **Гриппер приходит в диапазоне [0,1]**, среда ждёт [-1,1] и решительной
команды. Бинаризуем: `2*(g > 0.5) - 1`.
Оба отключаются флагами, чтобы мерить вклад, а не верить на слово.
**Оговорка:** абсолютный уровень bridge-клеток у нас занижен у всех моделей
(см. `docs/WORKLOG.md`, запись про расхождение LIBERO 4/4 и bridge 0/3).
Корректно сравнивать оси внутри модели, а не проценты с авторскими числами.
"""
from __future__ import annotations
import argparse
import json
import os
import time
from pathlib import Path
BRIDGE_TASKS = ["widowx_spoon_on_towel", "widowx_carrot_on_plate",
"widowx_stack_cube", "widowx_put_eggplant_in_basket"]
def _set_max_steps(env, n):
"""Поднять лимит шагов во ВСЕЙ цепочке обёрток.
Одного счётчика в нашем цикле мало: gymnasium-обёртка TimeLimit сама вернёт
truncated на своём пределе. Авторы StarVLA гоняли bridge с
max_episode_steps=120 (их лог прогона), а среда по умолчанию отводит 60 на
три задачи из четырёх.
"""
if not n:
return
e, guard = env, 0
while e is not None and guard < 25:
if hasattr(e, "_max_episode_steps"):
try:
e._max_episode_steps = n
except Exception:
pass
sp = getattr(e, "spec", None)
if sp is not None and getattr(sp, "max_episode_steps", None) is not None:
try:
sp.max_episode_steps = n
except Exception:
pass
e = getattr(e, "env", None)
guard += 1
def _plain(v):
"""numpy-типы из episode_stats не сериализуются в JSON — приводим к простым.
Ошибка проявляется только при записи дампа, то есть после первого эпизода,
и роняет прогон целиком (30.08.2026: `Object of type bool_ is not JSON
serializable`).
"""
try:
import numpy as np
if isinstance(v, (np.bool_, np.integer, np.floating)):
return v.item()
if isinstance(v, np.ndarray):
return v.tolist()
except Exception:
pass
if isinstance(v, dict):
return {str(k): _plain(x) for k, x in v.items()}
if isinstance(v, (list, tuple)):
return [_plain(x) for x in v]
return v
def parse_args() -> argparse.Namespace:
ap = argparse.ArgumentParser(description=__doc__,
formatter_class=argparse.RawDescriptionHelpFormatter)
ap.add_argument("--manifest", type=Path, default=None)
ap.add_argument("--out", required=True, type=Path)
ap.add_argument("--policy", default="IPEC-COMMUNITY/spatialvla-4b-224-sft-bridge")
ap.add_argument("--model-key", default="spatialvla")
ap.add_argument("--unnorm-key", default="bridge_orig/1.0.0")
ap.add_argument("--success-mode", default="latch", choices=["latch","terminal"],
help="latch — выход по первому мгновенному успеху (ЗАВЫШАЕТ "
"долю); terminal — как официальный цикл SimplerEnv: "
"env-terminated игнорируется, успех берётся с последнего "
"шага. Пишет оба числа: success_ever и success_terminal")
ap.add_argument("--max-steps", type=int, default=0,
help="лимит шагов эпизода; 0 — как задаёт среда. "
"Авторы StarVLA для bridge использовали 120")
ap.add_argument("--shard", default="0/1")
ap.add_argument("--threads", type=int, default=8)
ap.add_argument("--limit", type=int, default=None)
ap.add_argument("--episodes-per-task", type=int, default=3)
ap.add_argument("--action-horizon", type=int, default=1,
help="сколько действий чанка исполнять открыто")
ap.add_argument("--euler-to-axangle", default="on", choices=["on", "off"])
ap.add_argument("--binarize-gripper", default="on", choices=["on", "off"])
return ap.parse_args()
def main() -> None:
args = parse_args()
os.environ.setdefault("MUJOCO_GL", "egl")
if args.threads > 0:
for v in ("OMP_NUM_THREADS", "MKL_NUM_THREADS", "OPENBLAS_NUM_THREADS",
"NUMEXPR_NUM_THREADS", "VECLIB_MAXIMUM_THREADS"):
os.environ[v] = str(args.threads)
out = args.out if args.out.is_absolute() else args.out.resolve()
manifest = args.manifest
if manifest is not None and not manifest.is_absolute():
manifest = manifest.resolve()
import numpy as np
import torch
import simpler_env
from PIL import Image
from simpler_env.utils.env.observation_utils import get_image_from_maniskill2_obs_dict
from transforms3d.euler import euler2axangle
from transformers import AutoModel, AutoProcessor
if args.threads > 0:
torch.set_num_threads(args.threads)
t0 = time.time()
print(f"загрузка политики {args.policy}", flush=True)
proc = AutoProcessor.from_pretrained(args.policy, trust_remote_code=True)
model = AutoModel.from_pretrained(args.policy, trust_remote_code=True,
torch_dtype=torch.bfloat16).eval().cuda()
print(f"политика загружена за {time.time() - t0:.0f} с", flush=True)
def to_env_action(a: np.ndarray) -> np.ndarray:
a = np.asarray(a, dtype=np.float64).copy()
if args.euler_to_axangle == "on":
axis, angle = euler2axangle(a[3], a[4], a[5])
a[3:6] = axis * angle
if args.binarize_gripper == "on":
a[6] = 2.0 * (a[6] > 0.5) - 1.0
return a
rows: list[dict] = []
if manifest:
rows = [json.loads(l) for l in manifest.open(encoding="utf-8") if l.strip()]
else:
for t in BRIDGE_TASKS:
for ep in range(args.episodes_per_task):
rows.append({"task_uid": f"native__{t}__ep{ep:03d}", "suite": "simpler_bridge",
"task_name": t, "episode_id": ep,
"instruction_axis": "native", "instruction_text": None})
i, n = (int(x) for x in args.shard.split("/"))
rows = [r for k, r in enumerate(rows) if k % n == i]
if args.limit:
rows = rows[: args.limit]
done = set()
if out.exists():
for line in out.open(encoding="utf-8"):
try:
rec = json.loads(line)
except Exception:
continue
done.add((rec["task_uid"], rec.get("instruction_axis")))
rows = [r for r in rows
if (r["task_uid"], r.get("instruction_axis")) not in done]
print(f"эпизодов к прогону: {len(rows)}", flush=True)
out.parent.mkdir(parents=True, exist_ok=True)
written = 0
for row in rows:
task = row.get("task_name") or ""
if not task.startswith("widowx_"):
task = row.get("gym_env_name") or task
env = simpler_env.make(task)
reset_kw = {}
if row.get("episode_id") is not None:
reset_kw = {"options": {"obj_init_options": {"episode_id": int(row["episode_id"])}}}
obs, info = env.reset(**reset_kw)
native = env.get_language_instruction()
prompt = row.get("instruction_text") or native
_set_max_steps(env, args.max_steps)
max_steps = args.max_steps or getattr(
getattr(env, "spec", None), "max_episode_steps", None) or 120
t, success = 0, False
success_ever = success_terminal = False
ep_stats = {}
t_ep = time.time()
with torch.no_grad():
while t < max_steps:
img = Image.fromarray(get_image_from_maniskill2_obs_dict(env, obs)).convert("RGB")
inputs = proc(images=[img], text=prompt, return_tensors="pt")
gen = model.predict_action(inputs)
chunk = np.asarray(proc.decode_actions(
gen, unnorm_key=args.unnorm_key)["actions"]).reshape(-1, 7)
for a in chunk[: args.action_horizon]:
obs, reward, terminated, truncated, info = env.step(to_env_action(a))
ep_stats = _plain(dict(info.get("episode_stats", ep_stats) or ep_stats))
t += 1
now = bool(info.get("success", False))
success_ever = success_ever or now
success_terminal = now
if args.success_mode == "latch":
success = now
if success or terminated or truncated or t >= max_steps:
break
elif truncated or t >= max_steps:
# env-terminated НЕ прерывает: официальный цикл
# (maniskill2_evaluator.py:109) крутится до лимита и
# берёт успех с последнего шага.
break
if args.success_mode == "latch" and (success or terminated or truncated):
break
if args.success_mode == "terminal" and truncated:
break
seconds = time.time() - t_ep
line = {
"task_uid": row["task_uid"], "suite": row.get("suite", "simpler_bridge"),
"task_name": row.get("task_name"), "gym_env_name": task,
"episode_id": row.get("episode_id"), "init_state_id": row.get("init_state_id"),
"commit": row.get("commit"),
"instruction_axis": row["instruction_axis"],
"instruction_text": prompt, "native_instruction": native,
"image": (row.get("images") or {}).get("agentview_rgb"),
"success_predicates": row.get("success_predicates"),
"success": (success_terminal if args.success_mode=="terminal" else success),
"success_source": "env", "episode_stats": ep_stats, "success_mode": args.success_mode,
"success_ever": success_ever, "success_terminal": success_terminal,
"max_steps_used": max_steps, "seconds": round(seconds, 2), "steps": t,
"model": args.model_key, "policy_path": args.policy,
"unnorm_key": args.unnorm_key,
"action_horizon": args.action_horizon,
"fixes": {"euler_to_axangle": args.euler_to_axangle,
"binarize_gripper": args.binarize_gripper},
}
with out.open("a", encoding="utf-8") as fh:
fh.write(json.dumps(line, ensure_ascii=False) + "\n")
fh.flush()
written += 1
print(f"[{written}/{len(rows)}] {row['task_uid']} success={success} "
f"{t} шагов {seconds:.0f}s", flush=True)
env.close()
print(f"готово: {written} эпизодов в {out}", flush=True)
if __name__ == "__main__":
main()
|