/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
29 ноя 2024

CogACT-Base

Языковая модельИзображение, текст → action3 профессии

CogACT-Base связывает текстовые инструкции и изображения сцены с последовательностями действий для управления роботом при манипуляциях.

1 101скачиваний за 30 дней19лайковвеса обновлены4 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CogACT-Base — модель класса Vision-Language-Action, разработанная исследователями Microsoft Research Asia в составе команды CogACT. Она объединяет зрительные компоненты DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Base, который формирует действия на основе выходов VLM.

Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота: изменения положения и ориентации 7-DoF конечного эффектора и состояние захвата. CogACT-Base предназначена для управления роботами при манипуляциях, включая zero-shot сценарии, представленные в смеси предобучения Open X-Embodiment, и дообучение под новые задачи или конфигурации робота на небольшом числе демонстраций.

Компонентная архитектура отделяет специализированное предсказание действий от языково-зрительной модели. Для применения предсказаний требуется денормализация с учётом статистик датасета; адаптивное объединение действий указано как необязательный этап. Модель и код распространяются по лицензии MIT.

Сценарии применения

  • управление манипулятором по текстовой инструкции и изображению сцены
  • предсказание следующих движений конечного эффектора и команды захвата
  • zero-shot выполнение роботизированных задач из обучающей смеси Open X-Embodiment
  • дообучение управления роботом под новую задачу на небольшом числе демонстраций

Ограничения

Для применения действий необходима денормализация по статистикам датасета; перенос на новые задачи и конфигурации робота может требовать дообучения на демонстрациях. Zero-shot применение описано для условий, представленных в смеси предобучения Open X-Embodiment.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CogACT-Base

CogACT is a new advanced VLA architecture derived from VLM. Unlike previous works that directly repurpose VLM for action prediction by simple action quantization, we propose a componentized VLA architecture that has a specialized action module conditioned on VLM output. CogACT-Base employs a DiT-Base model as the action module.

All our code, pre-trained model weights, are licensed under the MIT license.

Please refer to our project page and paper for more details.

Model Summary

Uses

CogACT takes a language instruction and a single view RGB image as input and predicts the next 16 normalized robot actions (consisting of the 7-DoF end effector deltas of the form x, y, z, roll, pitch, yaw, gripper). These actions should be unnormalized and integrated by our Adaptive Action Ensemble(Optional). Unnormalization and ensemble depend on the dataset statistics.

CogACT models can be used zero-shot to control robots for setups seen in the Open-X pretraining mixture. They can also be fine-tuned for new tasks and robot setups with an extremely small amount of demonstrations. See our repository for more information.

Here is a simple example for inference.

# Please clone and install dependencies in our repo
# Install minimal dependencies (`torch`, `transformers`, `timm`, `tokenizers`, ...)

from PIL import Image
from vla import load_vla
import torch

model = load_vla(
      'CogACT/CogACT-Base',
      load_for_training=False,
      action_model_type='DiT-B',
      future_action_window_size=15,
    )                                 
# about 30G Memory in fp32; 

# (Optional) use "model.vlm = model.vlm.to(torch.bfloat16)" to load vlm in bf16

model.to('cuda:0').eval()

image: Image.Image = <input_your_image>
prompt = "move sponge near apple"           # input your prompt

# Predict Action (7-DoF; un-normalize for RT-1 google robot data, i.e. fractal20220817_data)
actions, _ = model.predict_action(
          image,
          prompt,
          unnorm_key='fractal20220817_data', # input your unnorm_key of dataset
          cfg_scale = 1.5,                   # cfg from 1.5 to 7 also performs well
          use_ddim = True,                   # use DDIM sampling
          num_ddim_steps = 10,               # number of steps for DDIM sampling
        )

# results in 7-DoF actions of 16 steps with shape [16, 7]

Citation

@article{li2024cogact,
  title={CogACT: A Foundational Vision-Language-Action Model for Synergizing Cognition and Action in Robotic Manipulation},
  author={Li, Qixiu and Liang, Yaobo and Wang, Zeyu and Luo, Lin and Chen, Xi and Liao, Mozheng and Wei, Fangyun and Deng, Yu and Xu, Sicheng and Zhang, Yizhong and others},
  journal={arXiv preprint arXiv:2411.19650},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
6550bf0

0 моделей