/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
22 сен 2025

RVQActionTokenizer

Генерация изображенийИзображение, текст → action3 профессии

RVQ-AT сжимает непрерывные траектории управления роботом в дискретные токены для использования в моделях RDT 2 и других авторегрессионных VLA.

252скачиваний за 30 дней3лайкавеса обновлены7 фев 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

RVQ-AT — компактный токенизатор действий для робототехники, представленный проектом RDT 2. Он преобразует непрерывные управляющие траектории в короткие последовательности дискретных токенов действий, которые можно использовать в авторегрессионных моделях vision-language-action. Архитектура применяет остаточную векторную квантизацию с несколькими кодовыми книгами, последовательной квантизацией остатков и механизмами обновления кодовых книг через EMA и восстановления неиспользуемых кодов.

Модель предназначена для сжатого представления траекторий манипуляции и управления роботом. Авторы сообщают о высокой точности реконструкции при заданном битрейте, коротких последовательностях токенов и обобщении на данные телеоперации. Токенизатор обучен на разнообразных данных UMI; для работы с пользовательскими данными предусмотрены API для обучения собственного токенизатора. Рекомендуется разбивать действия на окна около 0,8 секунды при частоте 30 кадров в секунду и нормировать каждую размерность действий в диапазон [-1, 1].

RVQ-AT — компонент представления действий, а не готовая система безопасного управления роботом. Перед применением на оборудовании нужны проверка sim-to-real, ограничения диапазонов и скорости действий, мониторинг задач и аварийная остановка; перед дообучением рекомендуется проверить статистики данных и ошибку реконструкции. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • сжатие траекторий манипуляции роботом в дискретные токены
  • кодирование действий телеоператора для VLA-модели
  • декодирование токенов в непрерывные управляющие траектории
  • обучение токенизатора действий на собственном датасете робота

Ограничения

Перед использованием на пользовательских данных нужно проверить их статистики и качество реконструкции. Декодированные действия нельзя напрямую подавать на аппаратный робот без sim-to-real проверки, ограничителей безопасности, мониторинга и аварийной остановки.

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

RVQ-AT: Residual VQ Action Tokenizer for RDT 2

RVQ-AT is a fast, compact Residual Vector-Quantization (RVQ) tokenizer for robot action streams. It converts continuous control trajectories into short sequences of discrete action tokens that plug directly into autoregressive VLA models.

Unlike single-codebook VQ, RVQ-AT stacks multiple small codebooks and quantizes residuals level-by-level. This yields:

  • Higher fidelity at the same bitrate (lower recon MSE / higher SNR)
  • Shorter token sequences for the same time horizon
  • Stable training via commitment loss, EMA codebook updates, and dead-code revival

Here, we provide:

  1. RVQ-AT — a general-purpose tokenizer trained on diverse UMI manipulation, but generalizes well on tele-operation data.
  2. Simple APIs to fit your own tokenizer on custom action datasets.

Using the Universal RVQ-AT Tokenizer

We recommend chunking actions into ~0.8 s windows with fps = 30 and normalizing each action dimension using normalizer to [-1, 1] before tokenization. Batched encode/decode are supported.

# Run under repository: https://github.com/thu-ml/RDT2

import torch
import numpy as np
from models.normalizer import LinearNormalizer
from vqvae.models.multivqvae import MultiVQVAE

# Load from the Hub (replace with your repo id once published)
vae = MultiVQVAE.from_pretrained("outputs/vqvae_hf").cuda().eval()
normalizer = LinearNormalizer.load(
    "<Path_to_normalizer>"  # Download from:
    # http://ml.cs.tsinghua.edu.cn/~lingxuan/rdt2/umi_normalizer_wo_downsample_indentity_rot.pt
)

# Load your RELATIVE action chunk
action_chunk = torch.zeros((1, 24, 20))  
# action_chunk shape: (B, T, action_dim)
#   - T = 24: predicts the future 0.8s in fps=30 → 24 frames
#   - action_dim = 20: following UMI setting (both arms, right to left)
#     - [0-2]:  RIGHT ARM end effector position in (x, y, z), unit: m
#     - [3-8]:  RIGHT ARM end effector rotation (6D representation)
#     - [9]:    RIGHT ARM gripper width, normalized to [0, 0.088], 0.088 means fully open
#     - [10-12]: LEFT ARM end effector position in (x, y, z), unit: m
#     - [13-18]: LEFT ARM end effector rotation (6D representation)
#     - [19]:   LEFT ARM gripper width, normalized to [0, 0.088], 0.088 means fully open

# Normalize action
nsample = normalizer["action"].normalize(action_chunk).cuda()

# Encode → tokens
# tokens: torch.LongTensor with shape (B, num_valid_action_token)
# num_valid_action_token = 27, values in range [0, 1024)
tokens = vae.encode(nsample)  # or vae.encode(action_chunk)

# Decode back to continuous actions
recon_nsample = vae.decode(tokens)
recon_action_chunk = normalizer["action"].unnormalize(recon_nsample)


[IMPORTANT] Recommended Preprocessing

Although our Residual VQ demonstrates strong generalization across both hand-held gripper data and real robot data, we recommend that if you plan to fine-tune on your own dataset, you first verify that the statistics of your data fall within the bounds of our RVQ. Afterward, evaluate the reconstruction error on your data before using it for your own purpose, especially fine-tuning.


Safety & Intended Use

RVQ-AT is a representation learning component. Do not deploy decoded actions directly to hardware without:

  • Proper sim-to-real validation,
  • Safety bounds/clamping and rate limiters,
  • Task-level monitors and e-stop fallbacks.

Citation

If you use RVQ-AT in your work, please cite:

@article{liu2026rdt2,
  title={RDT2: Exploring the Scaling Limit of UMI Data Towards Zero-Shot Cross-Embodiment Generalization},
  author={Liu, Songming and Li, Bangguo and Ma, Kai and Wu, Lingxuan and Tan, Hengkai and Ouyang, Xiao and Su, Hang and Zhu, Jun},
  journal={arXiv preprint arXiv:2602.03310},
  year={2026}
}

Contact

  • Issues & requests: open a GitHub issue (see here for guidelines) or start a Hub discussion on the model page.

License

This repository and the released models are licensed under Apache-2.0. You may use, modify, and distribute, provided you keep a copy of the original license and notices in your distributions and state significant changes when you make them.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
a6a614a

0 моделей