/ Модель

Характеристики

Лицензия
MIT
Библиотека
custom
Опубликована
16 дек 2024

MoDE_Pretrained

Языковая модельИзображение, текст → action

Предварительно обученная MoDE-модель преобразует изображения с камер и текстовые инструкции в действия роботизированного манипулятора.

8скачиваний за 30 дней5лайковвеса 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

MoDE_Pretrained — предварительно обученная модель для управления роботизированными манипуляциями, построенная на архитектуре Mixture of Diffusion Experts с трансформерной основой и маршрутизацией между экспертами по уровню шума. Модель разработана авторами проекта MoDE и обучена на подмножестве набора данных OXE в течение 300 тысяч шагов; её можно дообучать для конкретных задач.

На вход подаются изображения RGB со статической и захватной камер, а также текстовая инструкция. Модель генерирует последовательность из десяти действий в виде приращений положения конечного эффектора размерности семь. Для визуального представления используется ResNet-50, дообученный с кондиционированием FiLM; при генерации применяются DDIM и пять шагов сэмплирования. Предусмотрено предварительное кэширование выбранного эксперта для ускорения инференса.

Модель предназначена для выполнения манипуляций по визуальному наблюдению и языковой цели, например для захвата указанного объекта. Лицензия — MIT.

Сценарии применения

  • управление манипулятором по изображению и текстовой команде
  • захват заданного объекта по языковой инструкции
  • дообучение робота на конкретные задачи манипуляции

Ограничения

Модель обучена на подмножестве OXE, поэтому её поведение может зависеть от соответствия новых сцен и действий обучающим данным. Для переноса на конкретные задачи README рекомендует дообучение.

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 can be finetuned for downstream tasks.

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

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
397d812

0 моделей