本机固定检查点的技术测评,完整图表、原片与复现包见主站:https://cherryquant.com/2026/11/21/rtx3060-diffusion-local-review-20261121/。仿真与离线推理的范围分别列明。

模型介绍

Diffusion Policy 把机器人动作序列视为条件生成问题,通过迭代去噪得到动作。本次公开检查点在 PushT 数据上训练:控制平面推手,把 T 形物体推到目标姿态。这个任务提供可重复的闭环评估,但不能直接代表抓取、双臂协调或真实机械臂表现。
这篇记录关注的问题是:需要多步去噪的动作策略,能否兼顾闭环完成率和本地推理延迟? 这里先说明模型和输入输出,再交代同一台服务器的环境,最后展开实际结果。
检查点输入/输出
原始形状
observation.image
[3, 96, 96]
observation.state
[2]
action
[2]

本地硬件与部署环境

项目
本机环境
GPU
NVIDIA RTX 3060,12GB 显存
CPU
Ryzen 9 5900X,12核24线程
内存
约48GB,系统显示约46GiB
系统 / 驱动
Ubuntu 24.04 / NVIDIA 580.178.04
PyTorch
2.13.0+cu130
推理环境使用 LeRobot 0.7.0、Transformers 5.22.2。权重、依赖和测试数据都直接在服务器下载,优先使用清华 PyPI 镜像、ModelScope 同校验值文件及国内 HF 访问入口。模型固定在 revision
84a7c23178445c6bbf7e1a884ff497017910f653
;大文件按来源清单核对 SHA-256,小配置核对 Git blob 指纹。来源与镜像对应关系随日志保存。
必要文件的逻辑大小约 1.05 GB,不能把这个数字当成显存需求。模型可能同时占用系统内存和显存,重复组件也可能被复用。下载与GPU测试可以并行,但GPU上的各模型按顺序运行。
这次没有使用云端推理服务,也没有把官方演示当成本机输出。测试过程中保留加载错误、兼容性修复和失败样例;下文中的结果只对应列出的配置。
环境为
gym_pusht/PushT-v0
,50回合,环境种子10000至10049,最多 300 步。成功判定直接读取环境的
is_success
,成功或到时限即终止。策略权重严格匹配,旧检查点的归一化缓冲区按原定义应用;没有用随机初始化参数补齐模型。

测评结果

50回合中成功
38 回合,成功率 76%
。Wilson 95%区间约
62.6%–85.7%
。区间较宽,单轮结果不能支持几个百分点的稳定优劣结论。
完整网络刷新调用的中位数为
1447.269 ms
,P95为
1448.032 ms
;缓存动作取出的中位数为
0.050 ms
。计时边界是CUDA同步后的
select_action
,不包含相机采集、输入整理和实机通信。缓存很快,不等于视觉网络以同样频率重新计算。
PyTorch峰值显存分配为
1.07 GiB
,进程峰值RSS为
2.96 GiB
。PyTorch口径不含MuJoCo渲染器及桌面的显存。
回合 0:成功,106 步
环境种子 10000,最高奖励 1。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
查看本回合原始仿真录像 https://cherryquant.com/wp-content/uploads/2026/11/rtx3060-diffusion-local-review-20261121-episode00.mp4
回合 1:未完成,300 步
环境种子 10001,最高奖励 0.951462。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
查看本回合原始仿真录像 https://cherryquant.com/wp-content/uploads/2026/11/rtx3060-diffusion-local-review-20261121-episode01.mp4
回合 2:成功,209 步
环境种子 10002,最高奖励 1。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
回合 3:成功,143 步
环境种子 10003,最高奖励 1。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
回合 4:成功,176 步
环境种子 10004,最高奖励 1。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
回合 5:未完成,300 步
环境种子 10005,最高奖励 0.998758。展示按回合编号连续选取的前六段轨迹,保留成功与失败,不只挑选好看的结果。
从画面与日志里看到的细节
第0回合的连续帧可以看到推手逐步调整T形物体,最后达到环境成功条件,实际用了106步。但不是所有看起来接近重合的画面都算完成:第5回合最高归一化奖励约0.9988,仍然以未成功记录。本文直接使用环境的is_success,而不是再凭肉眼或另设一个奖励阈值判分。
50回合中成功38回合,原始种子和每回合长度全部保留。前六段连续编号录像包含失败样例;它们用于看过程,不用来替代50回合的计数。只在这个匹配的PushT检查点、相同环境与当前配置内解释这组结果。
完整网络刷新中位数约1.447秒,缓存取出约0.050毫秒,两者相差很大。扩散动作策略需要迭代生成动作段,这个成本不会因为接口每次只返回一个动作就消失。本文没有把缓存调用的速度当作网络吞吐,也没有通过降低采样步数来换取更好看的数字。
这是不按墙钟实时期限运行的仿真。假如实际控制系统需要固定频率采集新画面并及时得到新动作,必须另外检查网络耗时、缓存窗口与通信预算;仿真里能完成任务并不能直接证明实时回路可用。改变采样步数或调度器会形成另一项实验,需要重测完成率。
本轮结果展示了一种明确取舍:这份检查点在50个初始条件下完成38次任务,但完整网络调用明显比缓存慢。与VQ-BeT的比较只应限定在共享的PushT任务与相同种子,不能把它外推为所有机械臂任务中的算法优劣。
这次结果能支持什么
这项结果只对应这个已训练检查点和匹配的仿真任务。没有在实机上测试接触力、通信时延、安全停止或相机偏移,不能据此宣布可以直接接管任意机器人。ACT的双臂任务也不能与PushT的成功率混成一个总排名。
同时展示成功率、置信区间、实际步数和完整网络刷新延迟,不把缓存命中误认为每步都重新运行了扩散模型。

复现与来源

下载测试脚本、固定版本清单与原始结果(ZIP) https://cherryquant.com/wp-content/uploads/2026/11/rtx3060-diffusion-local-review-20261121-rtx3060-diffusion-local-review-20261121-reproduction.zip
包内不含模型权重或账号信息;路径脱敏说明、环境快照与重跑步骤见README。
本次使用服务器上的固定检查点与隔离环境。查看状态和重跑的入口如下;具体采样参数、原始种子及计时边界已在上文列出。
python scripts/status.py
./envs/robotics/bin/python scripts/benchmark_robotics.py diffusion
项目/文档来源 1 https://huggingface.co/lerobot/diffusion_pusht
项目/文档来源 2 https://diffusion-policy.cs.columbia.edu/
项目/文档来源 3 https://arxiv.org/abs/2303.04137
本文根据本机测试日志撰写,使用AI辅助整理与制图。官方模型页、示意图、真实数据观测和本机生成结果分别标注。

将入围名单转化为决定

写下任务、操作条件、成功标准和总拥有成本。请入围供应商展示您的代表性任务,包括故障恢复。对每个候选人使用相同的验收测试。

探索完整的机器人目录 →