/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
23 окт 2024

rdt-170m

Генерация изображенийИзображение, текст → action3 профессии

RDT-170M — мультимодальная модель управления роботом, которая по текстовой инструкции и изображениям предсказывает последовательность следующих действий.

99скачиваний за 30 дней11лайковвеса обновлены24 окт 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

RDT-170M — модель имитационного обучения на основе Diffusion Transformer, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Модель содержит 170 млн параметров, имеет скрытый размер 1024 и 14 слоёв; в абляционном исследовании она обозначена как RDT(small). Для обработки изображений используется SigLIP SO400M, для языка — T5 v1.1 XXL.

Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при необходимости частоту управления и проприоцептивные данные, после чего предсказывает следующие 64 действия робота. Её единое пространство действий поддерживает различные мобильные манипуляторы: одно- и двурукие, с управлением суставами или эффектором, положением или скоростью, а также с колёсным движением. Обучение опирается на 46 наборов данных, включая RT-1, RH20T, DROID, BridgeData V2, RoboSet и часть Open X-Embodiment.

Модель рассчитана на управление роботами по визуальным наблюдениям и языковым командам. Она может плохо переноситься на платформы, отсутствовавшие в данных предобучения; для таких роботов README рекомендует собрать небольшой целевой набор данных и дообучить модель. Код, веса и данные распространяются по лицензии MIT.

Сценарии применения

  • управление мобильным манипулятором по текстовой команде и изображениям
  • предсказание следующих 64 действий робота для выполнения задачи манипуляции
  • управление однорукими и двурукими роботами через суставы или эффектор
  • адаптация управления к положению, скорости или колёсному движению
  • дообучение на данных целевой роботизированной платформы

Ограничения

Модель может плохо обобщать на роботизированные платформы, отсутствовавшие в наборах данных предобучения; для их поддержки может потребоваться дообучение на целевых данных.

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

RDT-170M

RDT-170M is a 170M-parameter imitation learning Diffusion Transformer (RDT(small) in ablation). It has a hidden size of 1024 and a depth of 14, which are half of that in RDT-1B. Given language instruction and RGB images of up to three views, RDT can predict the next 64 robot actions. RDT is compatible with almost all modern mobile manipulators, from single-arm to dual-arm, joint to EEF, position to velocity, and even wheeled locomotion.

All the code, pre-trained model weights, and data are licensed under the MIT license.

Please refer to our project page and paper for more information.

Model Details

Uses

RDT takes language instruction, RGB images (of up to three views), control frequency (if any), and proprioception as input and predicts the next 64 robot actions. RDT supports control of almost all robot manipulators with the help of the unified action space, which includes all the main physical quantities of the robot manipulator (e.g., the end-effector and joint, position and velocity, and the wheeled locomotion). To deploy on your robot platform, you need to fill the relevant quantities of the raw action vector into the unified space vector. See our repository for more information.

Out-of-Scope: Due to the embodiment gap, RDT cannot yet generalize to new robot platforms (not seen in the pre-training datasets). In this case, we recommend collecting a small dataset of the target robot and then using it to fine-tune RDT. See our repository for a tutorial.

Here's an example of how to use the RDT-1B model for inference on a robot:

# Please first clone the repository and install dependencies
# Then switch to the root directory of the repository by "cd RoboticsDiffusionTransformer"

# Import a create function from the code base
from scripts.agilex_model import create_model

# Names of cameras used for visual input
CAMERA_NAMES = ['cam_high', 'cam_right_wrist', 'cam_left_wrist']
config = {
    'episode_len': 1000,  # Max length of one episode
    'state_dim': 14,      # Dimension of the robot's state
    'chunk_size': 64,     # Number of actions to predict in one step
    'camera_names': CAMERA_NAMES,
}
pretrained_vision_encoder_name_or_path = "google/siglip-so400m-patch14-384" 
# Create the model with the specified configuration
model = create_model(
    args=config,
    dtype=torch.bfloat16, 
    pretrained_vision_encoder_name_or_path=pretrained_vision_encoder_name_or_path,
    pretrained='robotics-diffusion-transformer/rdt-1b',
    control_frequency=25,
)

# Start inference process
# Load the pre-computed language embeddings
# Refer to scripts/encode_lang.py for how to encode the language instruction
lang_embeddings_path = 'your/language/embedding/path'
text_embedding = torch.load(lang_embeddings_path)['embeddings']  
images: List(PIL.Image) = ... #  The images from last 2 frames
proprio = ... # The current robot state
# Perform inference to predict the next `chunk_size` actions
actions = policy.step(
    proprio=proprio,
    images=images,
    text_embeds=text_embedding 
)

Citation

If you find our work helpful, please cite us:

@article{liu2024rdt,
  title={RDT-1B: a Diffusion Foundation Model for Bimanual Manipulation},
  author={Liu, Songming and Wu, Lingxuan and Li, Bangguo and Tan, Hengkai and Chen, Huayu and Wang, Zhengyi and Xu, Ke and Su, Hang and Zhu, Jun},
  journal={arXiv preprint arXiv:2410.07864},
  year={2024}
}

Thank you!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
8aa386c

0 моделей