添加pad_loss

roboimi/demos/vla_scripts/train_vla.py

@@ -248,7 +248,8 @@ def main(cfg: DictConfig):
         return {
             'images': images,
             'qpos': batch_data['observation.state'],  # SimpleRobotDataset 使用 observation.state
-            'action': batch_data['action']
+            'action': batch_data['action'],
+            'action_is_pad': batch_data.get('action_is_pad', None)  # 传递padding mask
         }
 
     def run_validation():

roboimi/vla/agent.py

@@ -87,9 +87,10 @@ class VLAAgent(nn.Module):
         计算训练损失
 
         Args:
-            batch: 包含 images, qpos (本体感知), action 的字典
+            batch: 包含 images, qpos (本体感知), action, action_is_pad 的字典
         """
         actions, states, images = batch['action'], batch['qpos'], batch['images']
+        action_is_pad = batch.get('action_is_pad', None)  # 获取padding mask
         B = actions.shape[0]
 
         # 归一化 states (qpos) 和 actions
@@ -131,8 +132,17 @@ class VLAAgent(nn.Module):
             global_cond=global_cond
         )
 
-        # 6. 计算 Loss (MSE)
-        loss = nn.functional.mse_loss(pred_noise, noise)
+        # 6. 计算 Loss (MSE)，支持 padding mask
+        loss = nn.functional.mse_loss(pred_noise, noise, reduction='none')
+
+        # 如果提供了 action_is_pad，对padding位置进行mask
+        if action_is_pad is not None:
+            # action_is_pad: (B, pred_horizon)，扩展到 (B, pred_horizon, action_dim)
+            mask = ~action_is_pad.unsqueeze(-1)  # True表示有效数据
+            loss = (loss * mask).sum() / mask.sum()  # 只对有效位置计算平均
+        else:
+            loss = loss.mean()
+
         return loss
 
     # ==========================

roboimi/vla/conf/config.yaml

@@ -9,13 +9,13 @@ defaults:
 # ====================
 train:
   # 基础训练参数
-  batch_size: 32       # 批次大小
+  batch_size: 8       # 批次大小
   lr: 1e-4            # 学习率
   max_steps: 100000    # 最大训练步数
   device: "cuda"      # 设备: "cuda" 或 "cpu"
 
   # 数据加载
-  num_workers: 40      # DataLoader 工作进程数（调试时设为 0，生产环境用 8）
+  num_workers: 8      # DataLoader 工作进程数（调试时设为 0，生产环境用 8）
   val_split: 0.1      # 验证集比例
   seed: 42            # 随机种子（用于数据划分）
 

roboimi/vla/data/simpe_robot_dataset.py

@@ -86,8 +86,8 @@ class SimpleRobotDataset(Dataset):
                 h5_path = f'observations/images/{cam_name}'
                 if h5_path in f:
                     img = f[h5_path][meta["frame_idx"]]
-                    img = torch.from_numpy(img)
-                    # 保持 uint8 格式以节省传输带宽，归一化移至 GPU (在 train_vla.py 中处理)
+                    # 转换为float并归一化到 [0, 1]
+                    img = torch.from_numpy(img).float() / 255.0
                     frame[f"observation.{cam_name}"] = img.permute(2, 0, 1)  # HWC -> CHW
 
         return frame

roboimi/vla/models/backbones/resnet_diffusion.py

@@ -151,9 +151,17 @@ class _SingleRgbEncoder(nn.Module):
         self.out = nn.Linear(spatial_softmax_num_keypoints * 2, self.feature_dim)
         self.relu = nn.ReLU()
 
+        # 注册ImageNet标准化参数为buffer（会自动移到GPU）
+        self.register_buffer('mean', torch.tensor([0.485, 0.456, 0.406]).view(1, 3, 1, 1))
+        self.register_buffer('std', torch.tensor([0.229, 0.224, 0.225]).view(1, 3, 1, 1))
+
     def forward_single_image(self, x: torch.Tensor) -> torch.Tensor:
         if self.do_crop:
             x = self.maybe_random_crop(x) if self.training else self.center_crop(x)
+
+        # ImageNet标准化（预训练权重期望的输入分布）
+        x = (x - self.mean) / self.std
+
         x = self.relu(self.out(torch.flatten(self.pool(self.backbone(x)), start_dim=1)))
         return x