/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
27 авг 2024

rdt-1b

Генерация изображений3 профессии

Мультимодальная Diffusion Transformer модель, которая по текстовым инструкциям и изображениям предсказывает действия робота для управления манипуляторами и мобильными роботами.

361скачиваний за 30 дней106лайковвеса обновлены17 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-1B — модель имитационного обучения с 1 млрд параметров, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Это мультимодальная Vision-Language-Action модель на основе Diffusion Transformer, предварительно обученная более чем на 1 млн эпизодов для разных роботов.

Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при наличии частоту управления и проприоцептивные данные; на выходе предсказывает последовательность из 64 действий робота. Единое пространство действий позволяет применять её к мобильным манипуляторам с одной или двумя руками, суставным и концевым координатам, позиционному и скоростному управлению, а также колесному движению. Визуальный энкодер — SigLIP SO400M, языковая модель — T5 v1.1 XXL.

RDT-1B подходит для управления роботами по естественно-языковым инструкциям и визуальным наблюдениям, если целевая платформа совместима с её пространством действий. Модель пока не обобщается на новые платформы, отсутствовавшие в обучающих данных; для них README рекомендует собрать данные и выполнить дообучение. Код, веса и данные распространяются по лицензии MIT.

Сценарии применения

  • управление манипулятором по текстовой инструкции и изображению с камеры
  • предсказание следующей последовательности действий робота
  • управление одно- и двурукими мобильными манипуляторами
  • перенос навыков управления между совместимыми роботизированными платформами

Ограничения

Модель может плохо обобщаться на роботизированные платформы, которых не было в обучающих данных; для новой платформы может потребоваться дообучение на её собственных 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-1B

RDT-1B is a 1B-parameter imitation learning Diffusion Transformer pre-trained on 1M+ multi-robot episodes. 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
eb09036

0 моделей