/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
lerobot
Опубликована
3 окт 2026

yam_put_pot_act_m3

Языковая модельИзображение, текст → action

Политика ACT для симулируемого двурукого робота YAM, которая учится захватывать кастрюлю и ставить её на варочную поверхность по изображениям камер и состоянию суставов.

24скачиваний за 30 дней0лайковвеса обновлены3 окт 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 ранний исследовательский чекпойнт политики ACT для симулируемого двурукого робота YAM. Модель обучена KabilanKB на наборе kabilanKB/yam_put_pot с маскированием модальностей M3 и предназначена для задачи PutPotOnCooktop в Isaac Sim 6 / Isaac Lab 3: робот должен взять кастрюлю за ручки обеими руками, поднять её и поставить на варочную поверхность.

На вход подаются изображения RGB с трёх камер размером 320×240 и 14-мерное состояние суставов. Модель использует общий для камер ResNet-18, предварительно обученный на ImageNet, и выдаёт последовательность из 100 целевых положений суставов для двух рук. Языкового входа нет; маскирование M3 применяется при обучении, а сохранённый чекпойнт является обычной моделью ACT.

В оценке на 50 эпизодах задача выполнена в 11 случаях (22%); результат сопоставим с базовой ACT без M3. Проверки в рандомизированных или загромождённых сценах не проводились, а обучающий набор содержит 20 эпизодов. Модель распространяется по лицензии Apache-2.0 и требует форка LeRobot v2.0, указанного в README.

Сценарии применения

  • захват кастрюли за ручки двумя руками в Isaac Sim
  • подъём кастрюли и установка её на варочную поверхность
  • оценка ACT-политик для двуручного манипулирования
  • эксперименты с маскированием камер при обучении робототехнических политик

Ограничения

На указанной оценке успех достигнут в 22% эпизодов, а M3 не показал измеримого преимущества перед обычной ACT. Модель проверялась только в простой сцене без рандомизации и загромождения; обучающий набор мал и содержит 20 эпизодов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ACT + M3 for bimanual YAM: PutPotOnCooktop

An ACT policy for the simulated bimanual YAM robot, trained on kabilanKB/yam_put_pot with M3 modality masking, adapted from "Robust Bimanual Vision-Language-Action Models via Embarrassingly Simple Modality Masking" (arXiv 2608.22419).

The task is PutPotOnCooktop in Isaac Sim 6 / Isaac Lab 3: both arms grasp a pot by its handles, lift it and place it on a cooktop.

Code: kabilankb/Isaac-Lab-3-and-add-SO-101-leader-teleoperation (see ACT_M3.md).

This is an early research checkpoint. It completes the task in roughly one episode in four, and M3 masking showed no measurable benefit over plain ACT in the evaluation below.

Model

InputsThree 320×240 RGB cameras (top_rgb, left_rgb, right_rgb) and the 14-value joint state
OutputChunk of 100 actions × 14 joint-position targets (6 joints + gripper per arm)
BackboneImageNet-pretrained ResNet-18, shared across cameras
Transformer4 encoder layers, 4 decoder layers, width 512, 8 heads, VAE latent 32
Size68M parameters

M3 is applied during training only; this checkpoint is an ordinary ACT checkpoint.

  • Wrist-camera masking: for 30% of training samples, both wrist cameras are hidden from attention together. The top camera is never hidden.
  • Query masking: each of the 100 action queries is hidden from the others with probability 0.1, and the visible ones are rescaled by 1/0.9.
  • The paper's language masking does not apply, since ACT has no language input.

Training

DatakabilanKB/yam_put_pot: 20 MimicGen episodes, 7,779 frames at 30 FPS, domain randomization on
Steps / batch size20,000 / 32 (about 82 passes over the data)
OptimizerAdamW, learning rate 1e-5
Seed1000 (single run)
Final training loss0.041

Evaluation

PutPotOnCooktop-v0 with pot_000 / cooktop_000, plain scene (no domain randomization), 25 actions executed per prediction, 900-step limit, 50 episodes, 10 parallel environments.

ModelFull task succeededPot lifted
ACT + M3 (this checkpoint)11 of 50 (22%)13 of 50 (26%)
Plain ACT, same settings12 of 50 (24%)15 of 50 (30%)
  • The two models are indistinguishable on this test.
  • The rates are slightly optimistic: the run stopped at the first 50 finished episodes, and successes finish sooner than timeouts.
  • Not tested: randomized or cluttered scenes, which is where the paper claims M3 helps.
  • The dataset is small (two demonstrations per pot and cooktop pair); more data is the most likely way to raise the success rate.

Usage

Requires the LeRobot v2.0 fork used by YAMLab (RogerDAI1217/lerobot, branch lerobotv2.0). Its config.json has no type key, so pass the config explicitly:

import draccus
from huggingface_hub import snapshot_download
from lerobot.common.policies.act.configuration_act import ACTConfig
from lerobot.common.policies.act.modeling_act import ACTPolicy

ckpt = snapshot_download("kabilanKB/yam_put_pot_act_m3")
with draccus.config_type("json"):
    config = draccus.parse(ACTConfig, f"{ckpt}/config.json", args=[])
config.n_action_steps = 25
policy = ACTPolicy.from_pretrained(ckpt, config=config)

To run it in the simulator, download the checkpoint and use scripts/eval/eval_act.py from the code repository:

D=yamlab_datasets/tasks_data/PutPotOnCooktop/objects
python scripts/eval/eval_act.py --checkpoint <downloaded folder> --n_action_steps 25 \
    --task PutPotOnCooktop-v0 --asset pot=$D/Pot/pot_000 --asset cooktop=$D/Cooktop/cooktop_000 \
    --num_episodes 5 --enable_gripper_clamp --enable_cameras --viz kit

Как запустить

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

GPU в ailist

Универсальный рантайм · lerobot

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
7511d13

0 моделей