I4H 机器人策略微调
在 LeRobot 数据集上微调 GR00T 或 openpi PI0 策略。
技能明确要求本地数据集和GPU，并未要求凭据或显式导出数据；但会在未确认时克隆远程仓库、创建目录和符号链接并启动训练，缺少权限边界、用户确认、回滚和数据流说明，因此扣分。
步骤、环境映射、前置检查、验证条件和常见错误处理较完整；但依赖外部仓库、uv、GPU和特定tmux变量持久性，未提供本技能关键路径的可执行测试，静态评估不超过10分，故扣分。
目标用户、触发语义、支持环境和非训练环境边界较清楚；但只覆盖四个环境，未说明更多输入边界，且默认依赖GitHub克隆和海外工具链，可能影响中国大陆网络可达性，也没有中文使用支持，因此扣分。
具有名称、版本、Apache-2.0许可、作者、分层步骤、限制、故障排查和最终输出要求；但缺少Instructions和Examples推荐章节，参数兼容性、变更记录、维护责任和更新路径说明不充分，仓库许可元数据还标为NOASSERTION，因此扣分。
技能能直接指导数据预检、训练、检查checkpoint并要求汇报关键结果，且基准文件显示两项正向任务有一定效果；但只有两项、单次评测，缺少代表性实际输出和失败场景证据，静态评估按上限保守扣分。
存在版本化文档、评测摘要和内部评测任务，提供有限可审计线索；但没有原始日志、独立复现材料、负向触发任务或覆盖该技能关键路径的提交测试，因此证据较薄。
- 默认流程可能在未获得用户确认时克隆远程代码并执行GPU训练；执行前应确认仓库来源、网络访问、磁盘空间、GPU资源和输出目录。
- 训练医疗机器人策略涉及敏感数据和现实系统风险；文档未说明数据脱敏、隔离、模型安全评估或训练失败后的恢复策略。
- 基准报告仅覆盖两项正向任务且每项一次尝试，不能证明边界触发、异常输入处理或跨环境稳定性。
这个 Skill 能做什么，适合哪些场景？
该技能指导用户使用 Isaac for Healthcare 工作流，对已有 LeRobot 数据集中的演示数据进行策略微调。它支持 GR00T 和 openpi PI0，并根据环境选择对应的训练栈与 CLI。流程包括解析工作流代码、检查数据集和 GPU、运行训练，以及验证检查点和训练日志。它不用于评估检查点，且推理专用环境不能训练。
解析或克隆 i4h-workflows 基础代码；读取 LeRobot 数据集中的 meta/info.json；检查可见 GPU 数量和可用环境；根据环境选择 gr00t_n15、gr00t_n16 或 openpi_pi0 训练栈及 CLI；通过 uv 运行训练命令；将检查点和日志写入 workflows/agentic/runs 下的运行目录；检查 safetensors 文件、experiment_cfg、processor、train_loss 日志和最终训练摘要。
- 机器人研究人员需要在 scissor_pick_and_place 演示数据上微调 GR00T N1.5 策略。
- 具身智能开发者需要在 locomanip_tray_pick_and_place 或 locomanip_push_cart 环境上训练 GR00T N1.6 策略。
- 医疗机器人团队需要使用 ultrasound_liver_scan 数据训练 openpi PI0 策略。
- 数据量较小且希望降低显存占用时，用户需要冻结视觉骨干网络，仅训练动作头和投影器。
这个 Skill 有哪些优点和局限？
- 明确映射环境、训练栈和 CLI，便于执行。
- 包含数据集、GPU、训练模块和输出检查点的预检与验证。
- 提供批大小、学习率、训练步数、GPU 数量和视觉骨干冻结等常用参数。
- 说明常见失败原因，包括环境未设置、数据集无效、环境仅支持推理和 Tyro 参数格式错误。
- 必须使用 GPU，且 GPU 数量不能超过可见 GPU 数量。
- 数据集必须是包含 meta/info.json 的现有 LeRobot 目录。
- assemble_trocar 等 policy.train_module 为 null 的环境不能微调。
- SKILL.md 未提供训练效果、硬件平台覆盖范围或独立测试套件证据。
如何安装这个 Skill？
安装整个 NVIDIA 技能集合：npx skills add nvidia/skills。只安装本技能：npx skills add nvidia/skills --skill i4h-workflow-finetune --yes。README 未说明该技能的独立安装目录或其他专用安装步骤。
如何使用这个 Skill？
向已加载该技能的代理提出“在 LeRobot 演示数据上微调策略”之类的请求。准备已设置的 i4h-workflows 环境、包含 meta/info.json 的 LeRobot 数据集和至少一块可见 NVIDIA GPU，然后设置 DATASET_PATH 并按技能中的顺序运行预检和训练命令。支持的环境包括 scissor_pick_and_place、locomanip_tray_pick_and_place、locomanip_push_cart 和 ultrasound_liver_scan。
这个 Skill 与同类方案有什么区别？
该技能明确区分“微调/训练”和“检查点评估”：评估任务应使用 i4h-workflow-validate。