/ Модель

Характеристики

Лицензия
MIT
Базовая модель
MoDE_Pretrained
Библиотека
custom
Опубликована
11 дек 2024

MoDE_CALVIN_D

Языковая модельИзображение, текст → action

Производная модели mbreuss/MoDE_CALVIN_ABC_1. Модель MoDE предсказывает действия робота-манипулятора по изображениям камер и текстовой инструкции для задач CALVIN/LIBERO.

97скачиваний за 30 дней1лайквеса обновлены19 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

Карточка модели mbreuss/MoDE_CALVIN_D на Hugging Face совпадает с карточкой mbreuss/MoDE_CALVIN_ABC_1, поэтому описание составлено по ней.

MoDE_CALVIN_ABC_1 — модель для управления роботизированными манипуляциями, разработанная на основе архитектуры Mixture of Diffusion Experts (MoDE). Она принимает изображения с неподвижной RGB-камеры и камеры на захвате вместе с текстовой инструкцией и предсказывает последовательность действий в виде 7-мерных приращений положения конечного эффектора. Модель дообучена для задач на CALVIN/LIBERO на основе mbreuss/MoDE_Pretrained; в карточке также указано предварительное обучение на части набора OXE в течение 300 тысяч шагов.

В основе — трансформерная MoE-архитектура с маршрутизацией экспертов по уровню шума и визуальным энкодером ResNet-50 с FiLM-условием. Используется окно действий длиной 10, а генерация выполняется за 5 шагов DDIM. Лицензия — MIT. Модель предназначена для выполнения инструкций в роботизированных средах; сведения о конкретной совместимости с роботами и качестве на реальном оборудовании в карточке не приведены.

Сценарии применения

  • управление роботом по инструкции на естественном языке
  • манипуляции объектами по изображениям с камер робота
  • выполнение задач перемещения объектов в среде CALVIN
  • проверка роботизированной политики в симуляции

Ограничения

В карточке заявлены задачи на CALVIN/LIBERO, но результаты оценки и совместимость с конкретным реальным оборудованием не описаны. Модель выдаёт приращения положения конечного эффектора, поэтому для исполнения нужны подходящая среда и система управления роботом.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MoDE (Mixture of Denoising Experts) Diffusion Policy

Model Description

This model implements a Mixture of Diffusion Experts architecture for robotic manipulation, combining transformer-based backbone with noise-only expert routing. For faster inference, we can precache the chosen expert for each timestep to reduce computation time.

The model has been pretrained on a subset of OXE for 300k steps and finetuned for downstream tasks on the CALVIN/LIBERO dataset.

Model Details

Architecture

  • Base Architecture: MoDE with custom Mixture of Experts Transformer
  • Vision Encoder: ResNet-50 with FiLM conditioning finetuned from ImageNet
  • EMA: Enabled
  • Action Window Size: 10
  • Sampling Steps: 5 (optimal for performance)
  • Sampler Type: DDIM

Input/Output Specifications

Inputs

  • RGB Static Camera: (B, T, 3, H, W) tensor
  • RGB Gripper Camera: (B, T, 3, H, W) tensor
  • Language Instructions: Text strings

Outputs

  • Action Space: (B, T, 7) tensor representing delta EEF actions

Usage

Check out our full model implementation on Github MoDE_Diffusion_Policy and follow the instructions in the readme to test the model on one of the environments.

obs = {
    "rgb_obs": {
        "rgb_static": static_image,
        "rgb_gripper": gripper_image
    }
}
goal = {"lang_text": "pick up the blue cube"}
action = model.step(obs, goal)

Training Details

Configuration

  • Optimizer: AdamW
  • Learning Rate: 0.0001
  • Weight Decay: 0.05

Citation

If you found the code usefull, please cite our work:

@misc{reuss2024efficient,
    title={Efficient Diffusion Transformer Policies with Mixture of Expert Denoisers for Multitask Learning},
    author={Moritz Reuss and Jyothish Pari and Pulkit Agrawal and Rudolf Lioutikov},
    year={2024},
    eprint={2412.12953},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

License

This model is released under the MIT license.

Как запустить

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

GPU в ailist

Универсальный рантайм · custom

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
db4362b

0 моделей