resume: false
device: cuda
use_amp: false
seed: 1000
dataset_repo_id: iantc104/RPL-UR5-PegInsert-Mimic-v0
video_backend: pyav
training:
  offline_steps: 50000
  num_workers: 16
  batch_size: 64
  eval_freq: ???
  log_freq: 100
  save_checkpoint: true
  save_freq: 10000
  online_steps: ???
  online_rollout_n_episodes: 1
  online_rollout_batch_size: 1
  online_steps_between_rollouts: 1
  online_sampling_ratio: 0.5
  online_env_seed: null
  online_buffer_capacity: null
  online_buffer_seed_size: 0
  do_online_rollout_async: false
  image_transforms:
    enable: false
    max_num_transforms: 3
    random_order: false
    brightness:
      weight: 1
      min_max:
      - 0.8
      - 1.2
    contrast:
      weight: 1
      min_max:
      - 0.8
      - 1.2
    saturation:
      weight: 1
      min_max:
      - 0.5
      - 1.5
    hue:
      weight: 1
      min_max:
      - -0.05
      - 0.05
    sharpness:
      weight: 1
      min_max:
      - 0.8
      - 1.2
  lr: 1.0e-05
  lr_backbone: 1.0e-05
  weight_decay: 0.0001
  grad_clip_norm: 10
  delta_timestamps:
    observation.environment_state:
    - -0.9666666666666667
    - -0.9333333333333333
    - -0.9
    - -0.8666666666666667
    - -0.8333333333333334
    - -0.8
    - -0.7666666666666667
    - -0.7333333333333333
    - -0.7
    - -0.6666666666666666
    - -0.6333333333333333
    - -0.6
    - -0.5666666666666667
    - -0.5333333333333333
    - -0.5
    - -0.4666666666666667
    - -0.43333333333333335
    - -0.4
    - -0.36666666666666664
    - -0.3333333333333333
    - -0.3
    - -0.26666666666666666
    - -0.23333333333333334
    - -0.2
    - -0.16666666666666666
    - -0.13333333333333333
    - -0.1
    - -0.06666666666666667
    - -0.03333333333333333
    - 0.0
    observation.state:
    - -0.9666666666666667
    - -0.9333333333333333
    - -0.9
    - -0.8666666666666667
    - -0.8333333333333334
    - -0.8
    - -0.7666666666666667
    - -0.7333333333333333
    - -0.7
    - -0.6666666666666666
    - -0.6333333333333333
    - -0.6
    - -0.5666666666666667
    - -0.5333333333333333
    - -0.5
    - -0.4666666666666667
    - -0.43333333333333335
    - -0.4
    - -0.36666666666666664
    - -0.3333333333333333
    - -0.3
    - -0.26666666666666666
    - -0.23333333333333334
    - -0.2
    - -0.16666666666666666
    - -0.13333333333333333
    - -0.1
    - -0.06666666666666667
    - -0.03333333333333333
    - 0.0
eval:
  n_episodes: 1
  batch_size: 1
  use_async_envs: false
wandb:
  enable: true
  disable_artifact: false
  project: rpl_sim
  notes: ''
fps: 30
env:
  name: real_world
  task: null
  state_dim: 16
  action_dim: 10
  fps: ${fps}
policy:
  name: rnd
  n_obs_steps: 30
  input_shapes:
    observation.environment_state:
    - 18
    observation.state:
    - 16
  input_normalization_modes:
    observation.environment_state: mean_std
    observation.state: mean_std
  predictor_dims: 256
  n_predictor_layers: 4
  predictor_activation: ReLU
  dim_target: 256
  n_target_layers: 3
  target_activation: ReLU
  dim_output: 256