/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
30 ноя 2024

CogACT-Large

Языковая модельИзображение, текст → action

CogACT-Large — зрительно-языковая модель, которая преобразует инструкцию и изображение сцены в последовательность действий для манипуляционного робота.

316скачиваний за 30 дней5лайковвеса 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-Large — модель Vision-Language-Action для управления роботами, разработанная командой CogACT с участием исследователей Microsoft Research Asia. Она объединяет зрительные компоненты DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Large, который формирует действия на основе представлений VLM.

Модель принимает текстовую инструкцию и одно RGB-изображение сцены и предсказывает последовательность из 16 нормализованных действий робота. Каждое действие задаёт смещения 7-DoF конечного эффектора: координаты, углы ориентации и положение захвата. CogACT-Large предназначена для манипуляционных задач: её можно применять для нулевого дообучения на сценариях, представленных в смеси предобучения Open X-Embodiment, или дообучать на новых задачах и конфигурациях роботов с небольшим числом демонстраций.

Для выполнения предсказанные действия нужно денормализовать; авторы также предлагают адаптивное ансамблирование действий как необязательный этап. Денормализация и ансамблирование зависят от статистик датасета. Предобучение выполнено на подмножестве Open X-Embodiment. Код и веса распространяются по лицензии MIT.

Сценарии применения

  • управление манипуляционным роботом по текстовой инструкции и изображению
  • предсказание последовательности движений конечного эффектора
  • нулевой запуск робота в сценариях, представленных в Open X-Embodiment
  • дообучение управления роботом на небольшом числе демонстраций

Ограничения

Предсказанные действия нормализованы и требуют денормализации с использованием статистик датасета; применимость зависит от соответствия сценария данным предобучения или последующего дообучения. Описание ограничивает вход одним RGB-изображением и текстовой инструкцией.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CogACT-Large

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-Large employs a DiT-L model as the action module.

All our code, pretrained 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-Large',
      load_for_training=False,
      action_model_type='DiT-L',
      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
0a7e03c

0 моделей