/ Модель

Характеристики

Лицензия
Llama 2
Опубликована
4 окт 2026

vlap4p-fr3-azure-310000

Языковая модельИзображение, текст → action

Экспериментальная политика OpenVLA-OFT для выполнения настольных задач pick-and-place манипулятором Franka FR3 по изображениям с камер и языковым инструкциям.

0скачиваний за 30 дней0лайковвеса обновлены11 окт 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

Это экспериментальная политика VLAP4P FR3 для манипулятора Franka FR3, разработанная в рамках проекта University of Auckland Part IV #40. Модель основана на OpenVLA-OFT, дообученной на задачах LIBERO, и дополнительно обучена для девяти настольных сценариев pick-and-place с верхней камерой Azure Kinect. Она принимает изображение сцены и языковую инструкцию и предсказывает действия робота.

Для корректной работы верхний кадр Azure Kinect необходимо обрезать до центрального квадрата, повернуть на 180° и изменить размер до 256×256; далее применяется штатная предобработка OpenVLA-OFT. Модель также использует изображение с камеры на запястье. Проверка пока проводилась только в симуляции: полный тест девяти задач описан как незавершённый, а испытания на реальном роботе ожидаются. Для запуска указаны Transformers 4.40.1 и около 16 ГБ свободной памяти GPU. Веса распространяются по Llama 2 Community License.

Сценарии применения

  • перемещение предметов на столе по текстовой инструкции
  • pick-and-place с Franka FR3 и верхней камерой Azure Kinect
  • симуляционная проверка роботизированных манипуляций
  • исследование управления роботом по изображению и языковой команде

Ограничения

Оценка ограничена симуляцией, а испытания на реальном роботе ещё не завершены; модель рассчитана на конкретную конфигурацию Franka FR3 и Azure Kinect и требует точного соблюдения предобработки изображений. README указывает, что версия Transformers может менять предсказываемые действия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLAP4P FR3 policy — Azure-camera variant (run 20261003T230324Z, step 310000)

OpenVLA-OFT fine-tuned for nine tabletop pick-and-place tasks on a Franka FR3, for the real cell's Azure Kinect overhead camera. University of Auckland Part IV project #40 (2026), code: the VLAP4P repository.

Two different policies share the step number 310000. This is the Azure-camera policy: fr3_azure_overhead/20261003T230324Z--310000, camera rig fr3_azure_overhead_v1. The reference-camera policy (fr3_tabletop_multitask/20260919T193159Z--310000, rig fr3_reference_vision, repo taalyelxor/vlap4p-fr3-310000) produced every simulation result in the project report and was trained for a different, simulator-designed camera pose. Do not swap them, and always name a policy by its run and camera rig, not by its step.

What changed from the reference policy

Only the overhead camera. The same 125 human demonstrations and 496 accepted Isaac Lab Mimic demonstrations (621 trajectories, 115,604 steps) were re-rendered from saved simulator states with an overhead camera placed to match two photographs of the real cell (configs/azure_overhead/README.md). Actions, proprioception, instructions and the wrist view are unchanged. Training recipe unchanged: LoRA rank 32, batch 8, learning rate 5e-5, image augmentation, 10,000 FR3 steps on top of the upstream LIBERO checkpoint's 300,000 (hence "310000").

The camera pose is photo-matched, not a measured calibration. Before using this policy on a robot, run the camera check in the FR3 console (scripts/fr3_console.py, docs/FR3_REAL_BRINGUP.md).

Required image preprocessing (the policy fails silently without it)

The overhead image the policy was trained on is not the raw camera frame:

  1. raw Azure Kinect colour frame, 16:9 (trained at 1280×720), RGB;
  2. centre square crop (720×720 at 1280×720);
  3. rotate 180°;
  4. resize to 256×256 (bilinear);
  5. then OpenVLA-OFT's own 90% centre crop and resize to 224×224.

policy_artifact.json records this as preprocessing.overhead_rotate_crop_256: true; the repository's FR3 runtime applies steps 2–5 from the artifact (policy_core/camera_preprocessing.py) and refuses an artifact whose preprocessing it does not implement. The wrist image (640×480) is used as recorded.

Files

PathWhat
data/experiments/fr3_azure_overhead/20261003T230324Z--310000_chkpt/merged weights, LoRA adapter, action head, proprio projector, policy_artifact.json
data/experiments/fr3_azure_overhead/20261003T230324Z/run manifest (exact training command), completion manifest (checkpoint SHA256s), dataset statistics
configs/azure_overhead/fr3_azure_overhead_vision.yamlthe camera rig the policy was trained for
data/monitors/isaac_fr3_azure_*supervisor files calibrated for this policy (added after the overnight 4–5 Oct runs)
tests/fixtures/fr3_policy_golden_azure.*fixed inputs and this policy's outputs, for the golden test on another computer
BUNDLE.jsongit commit of the uploading checkout

Checkpoint SHA256 (completion manifest): 42f1729d4c01d5abbac2744c09c05655a0a99376ebfb2da2c7163aba2fe69d4a. Camera rig hash: 02a139b948d6a93b8ccd7390464cf0724bd5d82ad9380b25fb07b1d37ee8d648.

Evaluation so far

Simulation only, with the photo-matched camera. Quick check on bowl on plate (16 episodes, seeds 0–15, strict success): checkpoints 302500 / 305000 / 307500 / 310000 succeeded 8 / 13 / 11 / 13 times. A full nine-task evaluation and supervised arms ran overnight 4–5 Oct; results go in docs/AZURE_CAMERA_POLICY.md. The real-robot evaluation is pending.

Use

git clone <VLAP4P repository> && cd VLAP4P
scripts/bootstrap.sh --role fr3          # environment, this policy, smoke tests
.venv/bin/python scripts/fr3_console.py --artifact data/experiments/fr3_azure_overhead/20261003T230324Z--310000_chkpt/policy_artifact.json

Requires transformers 4.40.1 (other versions run but change the actions) and a GPU with about 16 GB free.

License and provenance

Derived from OpenVLA-OFT (MIT), whose language backbone is Llama 2: use is subject to the Llama 2 Community License. Training data are simulated (Isaac Lab); no real-world images or people are included.

Compendium access and policy identity

Public research download; no account, token or access approval is required. The weights inherit the Llama 2 Community License; see LICENSE and NOTICE. Acceptable use: https://ai.meta.com/llama/use-policy

The hardware experiment used the real-bowl policy fr3_real_bowl_oft/20261005T130437Z-real-bowl--310000 in taalyelxor/real-fine-tuned, initialised from measured-camera step 305000 and trained on eight real demonstrations (two of ten recordings held out). Azure and measured-camera comparison results are simulation evidence. Any earlier card text naming the Azure policy as the hardware policy is superseded.

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
d17b615

0 моделей