/ Модель

Характеристики

Библиотека
pytorch
Опубликована
7 авг 2026

v_state_mimicgen_coffee_d0

Обучение с подкреплением3 профессии

Две офлайн-модели V(s) оценивают дисконтированную отдачу по проприоцептивному состоянию робота для манипуляций в MimicGen coffee_d0.

9скачиваний за 30 дней0лайковвеса обновлены7 авг 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

Это набор двух state-value моделей V(s) для задачи манипуляции кофейным набором в MimicGen coffee_d0. Модели реализованы на PyTorch и принимают 66-мерное проприоцептивное состояние робота; они оценивают дисконтированную отдачу с gamma = 0,99. Вариант v_td обучен регрессией TD, а v_relabel_hinge дополнительно использует аннотированные моменты ошибок в неудачных эпизодах и ограничение-разрыв для пар состояний успеха и неудачи. Обучение проведено на офлайн-траекториях политики mtdit_flow_60k; armF2 Q используется только как эталон оценки.

Модели предназначены для оценки состояния и могут служить базовой оценкой или потенциалом для shaping в задачах обучения робота манипуляциям. В указанном отложенном разбиении v_relabel_hinge показывает корреляцию Пирсона 0,888 с эталонной Q-оценкой, а v_td — 0,854. Они не подходят для ранжирования действий или вычисления преимущества: README сообщает о слабом соответствии истинному advantage. Обобщение может ухудшаться при уходе политики от обучающего распределения; повторное обучение с relabeling требует аннотированных кадров неудач. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка ценности состояния робота при манипуляции кофейным набором
  • использование функции ценности как базовой оценки в офлайн-обучении с подкреплением
  • формирование потенциала для reward shaping по состоянию робота

Ограничения

Модель обучена только на траекториях исходной политики, поэтому при смещении распределения состояний качество может снизиться; она не подходит для оценки преимущества или ранжирования действий. Для обучения варианта с relabeling нужны аннотированные кадры неудач, а параметр p_head в чекпойнтах не обучен.

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

State-value models V(s) for mimicgen coffee_d0

Two state-only value functions predicting the discounted return (gamma = 0.99) from the 66-d proprioceptive state. Trained without any access to a learned Q critic — only success/failure trajectories and the datasets' own human annotations. The armF2 critic is used as an evaluation reference only.

v_tdv_relabel_hinge
pearson vs armF2 Q0.8540.888
spearman vs Q0.8700.857
pearson vs Q, failure chunks0.6710.725
pearson vs Q, ±40 frames of the annotated failure0.6090.632
MAE vs Q0.10770.0772
pearson vs true return G0.8390.812
MAE vs G0.08270.0882

Split B holdout (episodes 80-99 of each rollout set), stride-8 chunk grid, n = 1577. Three seeds each; the table scores the mean of the three predictions.

The two models

v_td — plain TD regression. Target y = r + (1-done) * gamma^8 * V_target(s_{t+8}), smooth-L1, hard target sync every 200 steps. Reward is 0 everywhere except the terminal frame of a success episode, so once the +8 lookahead passes the end the target is the exact closed-form return.

v_relabel_hinge — the same, plus two ingredients built from the annotations:

  1. Hindsight-relabelled failure targets. On a failure episode the ordinary target is 0 at every frame and says nothing about when it went wrong. Using meta/lerobot_annotations.json, for t < t_fail the target becomes the matched success stage's return at the same stage fraction u = t / t_fail, and 0 after. Blended y = 0.75 * y_TD + 0.25 * y_relabel. Mode -> stage: failed to grasp pod -> good grasp, pod misaligned -> good insertion.
  2. A margin hinge on matched pairs. relu(0.1 - (V(s_success) - V(s_failure))) over 5851 matched (success stage-end, failure-mode) state pairs, anchors jittered +-5 frames. A margin matters: the unbounded Bradley-Terry form softplus(-(V_succ - V_fail)) blows the value range from ~1.2 to 5.2 and drops pearson-vs-Q to 0.438.

Usage

import torch, numpy as np
from modeling_v import VNet, scale_state

net = VNet(66)
net.load_state_dict(torch.load("weights/v_relabel_hinge_seed0.pt", map_location="cpu"))
net.eval()

x = torch.from_numpy(scale_state(raw_state_66d))      # scaling is REQUIRED
with torch.no_grad():
    value = net(x)

scale_state applies the armF2 critic's own q01/q99 normalisation (shipped as state_scaler.json) and clips to +-5. Feeding raw states will not work.

For the reported numbers, average the three seeds' predictions.

Known limitations

  • Not usable for advantage. gamma^8 * V(s') - V(s) correlates -0.111 with the true advantage Q - E_a[Q] and its sign agrees 45.2% of the time. The true advantage has sd 0.0047 against this quantity's 0.055 — at the prior's action spread the action explains 0.15% of Var[Q]. Use V as a baseline or a shaping potential, not as a source of action rankings.
  • Fit on prior-policy rollouts only (mtdit_flow_60k). Expect degradation as a policy moves off that distribution.
  • The relabelling needs annotated failure frames, which fresh rollouts do not have. Retraining online requires predicted failure anchors.
  • p_head in the checkpoints is untrained; ignore it.

Data

chomeed/mimicgen_coffee_d0_224x224_mtdit_flow_60k_{success,failure} (100 episodes each, 20 fps, 66-d state), including the meta/lerobot_annotations.json markers the relabelling depends on.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
f198e58

0 моделей