规模化数据生成

在本章节中，我们将介绍如何使用 GenManip 进行规模化数据生成。本章节需要结合高级数据生成章节一起阅读，并本质上为高级数据生成章节提供一个具体的应用场景。

事先准备

为了进行规模化的数据生成，你需要下载一些资产。你可以通过以下命令下载资产：

python standalone_tools/download_assets.py --dataset objaverse-subset

你可以参照 Object Annotation 章节对于你的物体进行标注并且保存为 pickle 文件。对于上述资产，我们已经进行了提前的标注，并且已经在 Codebase 中，你可以直接使用。对于你自己的标注，需要同样保存在 assets/objects 文件夹中。

关于规模化生成

对于规模化生成，我们需要尽可能多的随机化，并且在尽可能多的物体上进行随机生成 Pick and Place 数据。

接下来我们将依次讲解配置文件的设计。

首先，对于随机化，我们使用：

domain_randomization:
  cameras:
    config_path: configs/cameras/fixed_camera_robotiq_s2r_3L_align_twoObs.yml
    type: fixed
  object_data_path: objaverse_annotation_refined_pnp
  random_environment:
    has_wall: true
    hdr: true
    robot_base_position:
      random_range: 0.05
    robot_eepose: false
    table_texture: true
    table_type: true
    wall_texture: true
  rewrite_instruction: true

即设置相机文件为标定的相机配置文件，同时使用 objaverse_annotation_refined_pnp.pickle 文件中的物体标注信息。对于域随机化本身，我们启用了墙面、HDR（Dome light）、机器人基座位置随机化，以及桌面的纹理和类型随机化。同时我们启用了重写 instruction，即在生成数据时，会根据抓取以及放置的物体的标注信息，自动重写 instruction。

对于物体配置，使用：

object_config:
  background_0: &id003
    clip_range:
      max: 0.2
      min: 0.05
    filter_rule: []
    max_cached_num: 30
    is_not_rigid: true
    path: object_usds/objaverse_usd
    type: load_object_from_path
  background_1: *id003
  background_2: *id003
  background_3: *id003
  background_4: *id003
  background_5: *id003
  background_6: *id003
  background_7: *id003
  background_8: *id003
  obj1_0:
    clip_range:
      max: 0.15
      min: 0.05
    filter_rule:
    - can_grasp
    max_cached_num: 30
    option:
    - adjust_thickness
    path: object_usds/objaverse_usd
    type: load_object_from_path
  obj2:
    clip_range:
      max: 0.35
      min: 0.2
    filter_rule:
    - is_container
    max_cached_num: 30
    option:
    - force_top
    path: object_usds/objaverse_usd
    type: load_object_from_path

可以看到其中引入了 11 个物体，其中 9 个背景物体，2 个目标物体。对于全部物体，我们使用了 load_object_from_path 类型，并且从 object_usds/objaverse_usd 文件夹中加载物体。对于背景物体，我们设置了 is_not_rigid，使得在加载之后物体不可受到力的作用而改变位置。对于三种不同的物体，我们设置了不同的 clip_range，最后的物体尺寸将在标注尺寸和 clip_range 的交集中随机采样。对于每种物体，都会预加载 30 个物体，而不会加载更多以防内存占用过高。

对于 obj1 以及 obj2，他们必须在标注中被标注为可以抓取（can_grasp）以及是容器（is_container）。同时，obj1 被设置为 adjust_thickness，即在加载之后，物体厚度会被调整至小于夹爪宽度。force_top 是一个过时的选项，现在已经被弃用。

在设置了物体之后，我们还需要设置布局：

layout_config:
  ignored_objects: []
  type: random_custom_tableset
  in_order: true
  custom_tableset:
    obj1_0: &id001
      type: global_range
      random_range_angle: 360
      random_range_h: 0.7
      random_range_w: 0.4
      random_range_x: -0.2
      random_range_y: -0.35
    obj2: *id001
    background_0: &id002
      type: global_range
      random_range_angle: 360
      random_range_h: 20
      random_range_w: 20
      random_range_x: -10
      random_range_y: -10
    background_1: *id002
    background_2: *id002
    background_3: *id002
    background_4: *id002
    background_5: *id002
    background_6: *id002
    background_7: *id002
    background_8: *id002

可以看到我们均使用 random_custom_tableset 类型，并且按照 custom_tableset 中的顺序依次放置每一个物体（in_order: true）。对于每个物体，我们使用 global_range 类型。对于 obj1 以及 obj2，我们期望将物体放置在机器人的动作空间内，如上设置。对于背景物体，他们只需要被放置在桌面上即可，因此设置为一个过大的范围，程序会自动将范围调整到范围与桌面的交集。

generation_config:
  reset_tcp: true
  action_path:
    mode: auto
    robot: 0
  articulation: []
  goal:
  - - obj1_uid:
      - obj1_0
      obj2_uid:
      - obj2
      position:
      - top
      fixed_position: true
  mode: random_all
  planner: curobo
instruction: ''

接下里我们设置生成相关配置，任务为将 obj1 放置在 obj2 的顶部，并且使用 curobo 作为规划器。在这里我们设置 instruction 为空，因为 instruction 会在重写阶段自动生成。

接下来还包括设置一系列配置文件：

mode: manual
num_episode: 1000000
restart_per_success: 100
preprocess_config:
- config:
    config: default
    type: convexDecomposition
  type: collider
robots:
- config:
    gripper_type: robotiq
  default_joint_positions:
  - 0.0
  - -0.785
  - 0.0
  - -2.356
  - 0.0
  - 1.57079
  - 0.0
  - 0.0
  - 0.0
  - 0.0
  - 0.0
  - 0.0
  - 0.0
  type: franka
table_uid: aa49db8a801d402dac6cf1579536502c
task_name: system1_scaling_14kobj_object_container_fgrandpos_bgrandpos_fgclip_NOrobotbaserandpos_bgcache10_bgclip_3L2obsAlign_refineActionSpace
usd_name: scene_usds/sim2real_scenes_align_for_scaling/base

在这里使用 RoboTiq 作为夹爪，程序每成功生成 100 个数据后，会重新进行预加载物体流程，以确保单一程序也可以具有多样性，而不是仅在预加载的 90 个物体上进行生成。其余内容并无特殊之处。

完整的配置文件在 Codebase 中可以找到，你可以直接使用。

# 确保你启动了 AnyGrasp 服务
python demogen.py -cfg configs/tasks/scaling_up/system1_scaling_14kobj_object_container_fgrandpos_bgrandpos_fgclip_NOrobotbaserandpos_bgcache10_bgclip_3L2obsAlign_refineActionSpace.yml
python render.py -cfg configs/tasks/scaling_up/system1_scaling_14kobj_object_container_fgrandpos_bgrandpos_fgclip_NOrobotbaserandpos_bgcache10_bgclip_3L2obsAlign_refineActionSpace.yml

如果你需要使用你自己的资产，那么就进行标注，然后将物体配置中的文件夹路径替换为你的资产路径即可。