Aloha 机械臂的学习记录3——AWE:Pycharm运行代码记录

2024-01-11 06:44

本文主要是介绍Aloha 机械臂的学习记录3——AWE:Pycharm运行代码记录,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

之前的博客创作了三偏关于Aloha_AWE的liunx终端指令运行代码的示例:

Aloha 机械臂的学习记录——AWE:Bimanual Simulation Suite:

https://blog.csdn.net/qq_54900679/article/details/134889183?spm=1001.2014.3001.5502

Aloha 机械臂的学习记录1——AWE:Bimanual Simulation Suite(Save waypoints):

https://blog.csdn.net/qq_54900679/article/details/134890424?spm=1001.2014.3001.5502

 Aloha 机械臂的学习记录2——AWE:AWE + ACT:

Aloha 机械臂的学习记录2——AWE:AWE + ACT_aloha机械臂-CSDN博客

今天在Pycharm编辑器中运行代码发现了一些报错,所以撰写此篇博客来记录:

以TASK = sim_insertion_human为例子:

首先将default="data/act/sim_insertion_human"取消注释(在act_waypoint.py文件中)

 然后配置conda的awe_venv环境以及参数环境变量

 首先配置参数,我们以运行act_waypoint.py文件为例子,对应Visualize waypoints

Liunx终端的指令为:

python example/act_waypoint.py --dataset=data/act/sim_insertion_human --err_threshold=0.01 --plot_3d --end_idx=0

在liunx的终端运行上面的指令是没有问题的,但是!在Pycharm编辑器中运行时会报错。

---------------------------------------------------------------------------------------------------------------------------------

Pycharm编辑器中参数(Parameters)的配置应该如下:

--dataset=/home/hjx/hjx_file/aloha/awe/data/act/sim_insertion_human --err_threshold=0.01 --plot_3d --end_idx=0

注意:其中/home/hjx/hjx_file/aloha/awe/data/act/sim_insertion_humandataset的绝对路径

--err_threshold=0.01 --plot_3d --end_idx=0 无需更改

需要寻找的是sim_insertion_human文件的绝对路径,如下图所示:

Pycharm编辑器中右击并点击Copy path...,第一个Absolute path就是绝对路径,点击复制

然后是环境变量(Environment variables)的配置:

这里是个大坑!!!

Liunx终端运行时会执行.bashrc文件,我们执行一次程序注意到如下报错:

 意思是缺少环境变量,需要正确设置 LD_LIBRARY_PATH 环境变量,以便找到Mujoco的库文件

但是,PyCharm的环境变量设置:LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/hjx/.mujoco/mujoco210/bin与LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia重名(LD_LIBRARY_PATH依次添加的话会覆盖其中一个,导致变量不全,如何解决?)

其中很简单,只需要这个配置即可:

LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia:/home/hjx/.mujoco/mujoco210/bin

请注意,冒号 : 用于分隔不同的路径,而不需要额外的空格。这个设置将在PyCharm中设置 LD_LIBRARY_PATH 环境变量,包括系统路径 /usr/lib/nvidia 和Mujoco路径 /home/hjx/.mujoco/mujoco210/bin。确保在保存设置后重新启动PyCharm,以确保环境变量生效。

 环境变量配置完成后点击OK即可

好了~ 万事俱备,只欠东风

下面就可以开始运行act_waypoint.py文件,Run

可以看到,在Pycharm编辑器中代码运行成功!!!

但是,还没结束,再保存最终的图片时,又出现了问题

报错如下:

 这个错误消息表明您的程序尝试打开名为

'plot/act/sim_insertion_human_0_t_0.01_waypoints.png' 的文件,

但未能找到该文件

需要进行act_waypoint.py文件中代码段落的修改:

 复制一段此代码后再注释原先的代码,将plot的路径改为绝对路径,再次运行!

 最终发现,问题得到了解决,代码成功跑通,案例演示结束~~~

输出的plot结果如下:

 

这篇关于Aloha 机械臂的学习记录3——AWE:Pycharm运行代码记录的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/593485

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

如何用Docker运行Django项目

本章教程,介绍如何用Docker创建一个Django,并运行能够访问。 一、拉取镜像 这里我们使用python3.11版本的docker镜像 docker pull python:3.11 二、运行容器 这里我们将容器内部的8080端口,映射到宿主机的80端口上。 docker run -itd --name python311 -p

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学