/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
1 июл 2026

genesis-flowdit-v2

Языковая модельИзображение, текст → action

FlowDiT V2 преобразует целевое видео и изображение текущего наблюдения в команды движения для навигации робота.

0скачиваний за 30 дней0лайковвеса обновлены1 июл 2026

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

FlowDiT V2 — модель для навигации роботов, представленная как часть исследовательского фреймворка GENESIS. Она принимает видео с целевым маршрутом и изображение текущего наблюдения и предсказывает непрерывную команду движения из трёх компонентов: продольная и боковая скорости и скорость поворота. Модель использует замороженный визуальный энкодер DINOv2 ViT-B/14, извлекающий пространственные признаки из текущего кадра, RAFT для получения токенов оптического потока из целевого видео и Diffusion Transformer с перекрёстным вниманием между этими признаками.

FlowDiT V2 предназначена для управления навигацией колёсных и шагающих роботов; команды выдаются с частотой 2 Гц. В README описано обучение примерно на 50 тысячах эпизодов в Isaac Sim для платформ Unitree B1, G1 и колёсных роботов, а также оценка на 41 задаче в симуляции. Чекпойнт предоставлен в формате PyTorch state dict и конфигурации, размер файла — 1,2 ГБ. README сообщает о результатах симуляционной оценки, которые не гарантируют аналогичное качество на реальных роботах. Лицензия Apache-2.0.

Сценарии применения

  • управление движением робота по видео целевого маршрута
  • навигация колёсного робота по визуальной цели
  • навигация шагающего робота по видео-примеру
  • предсказание скоростей движения и поворота робота

Ограничения

Оценка приведена для Isaac Sim; качество переноса на реальные роботы в README не описано. Команды управления выдаются с частотой 2 Гц.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FlowDiT V2 — Video-to-Navigation (GENESIS)

Part of the GENESIS research framework: video-conditioned robot learning.

Paper: Action Agent: Agentic Video Generation Meets Flow-Constrained Diffusion (IROS 2026)

Code: github.com/jeffrinsam/GENESIS → part2_navigation/

Model Description

FlowDiT V2 is a flow-constrained Diffusion Transformer (DiT) that translates a reference goal video and a current observation image into continuous navigation commands [vx, vy, yaw_rate].

Architecture:

  • Visual encoder: DINOv2-ViT-B/14 (frozen) — extracts spatial features from current observation
  • Flow encoder: RAFT optical flow → temporal flow tokens from goal video
  • DiT backbone: Diffusion Transformer with cross-attention between flow tokens and obs features
  • Output: 3-DOF velocity command at 2 Hz control frequency

Training data: ~50k episodes across wheeled and legged embodiments (Unitree B1, G1, custom wheeled platforms) in Isaac Sim.

Performance

Evaluated on 41 tasks across 3 robot embodiments in Isaac Sim:

MetricValue
Success Rate (SR @ 3.0 m)100%
SPL0.91
Avg Trajectory Error (ATE)0.42 m
Direction Accuracy (cosine > 0.75)96.3%

Usage

# Install dependencies
conda activate genesis-navigation
cd GENESIS

# Single inference
python part2_navigation/flow_constrained_v2/inference.py \
  --checkpoint path/to/best.pth \
  --goal_video reference.mp4 \
  --current_obs frame.jpg \
  --output actions.npy

Download via the GENESIS checkpoint script:

bash scripts/download_checkpoints.sh

Checkpoint Details

FileSizeFormat
best.pth1.2 GBPyTorch state dict + config

The .pth file contains:

{
  "model_state_dict": ...,
  "config": {"use_raft": False, "hidden_dim": 512, ...},
  "epoch": ...,
  "val_loss": ...
}

Citation

@inproceedings{sam2026actionagent,
  title     = {Action Agent: Agentic Video Generation Meets Flow-Constrained Diffusion},
  author    = {Sam, Jeffrin and Khang, Nguyen and Mahmoud, Yara and
               Altamirano Cabrera, Miguel and Tsetserukou, Dzmitry},
  booktitle = {2026 IEEE/RSJ International Conference on Intelligent Robots
               and Systems (IROS)},
  year      = {2026},
  note      = {arXiv:2605.01477}
}

License

Apache 2.0. See LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
06c0ae9

0 моделей