Skip to content
Other

CoilWAM_real4task

политика управления роборукой AgileX Piper

2 min readupdated

Это весовые коэффициенты нейросетевой политики (модели принятия решений для роботов) CoilWAM v0 4/4, обученной выполнять четыре настольные задачи на реальном манипуляторе AgileX Piper. На вход модель принимает склеенные кадры с фронтальной и наручной камер, текущие углы шести суставов с положением захвата, а также текстовую инструкцию задачи. На выходе она предсказывает последовательность из 32 целевых положений суставов и гриппера с шагом 1/15 секунды. Подойдёт исследователям в области робототехники и инженерам, работающим с манипуляторами Piper и мультизадачным обучением с подкреплением или имитацией.

Ключевые особенности

  • Мультимодальный вход: объединяет RGB-изображения с фронтальной и наручной камер (приводятся к размеру 192×256), проприоцепцию (данные о положении joint_1..6.pos и gripper.pos) и текстовую команду из набора семи инструкций.
  • Предсказание траектории (action chunking): за один запрос выдаёт сразу 32 целевых значения углов в градусах и положения захвата с интервалом 1/15 секунды.
  • В репозитории выложены два промежуточных чекпоинта на 20 000 и 25 000 шагов обновления (step_020000.pt и step_025000.pt) объёмом около 2,34 ГБ каждый.
  • В файлах сохранены только веса (mot и proprio_encoder вместе с метаданными архитектуры) без состояния оптимизатора, а также файл нормализации dataset_stats_7d.json.

Что можно сделать

  • Развернуть управление на реальном настольном манипуляторе AgileX Piper для воспроизведения четырёх базовых сценариев из датасета anhdao69/data_real_4tasks.
  • Использовать выложенные чекпоинты и статистику нормализации dataset_stats_7d.json для дообучения политики под собственные настольные задачи манипуляции.
  • Сравнить поведение модели на разных этапах обучения (20k против 25k шагов) в симуляции или на реальном стенде.

Пример

Сценарий инференса по спецификации из карточки: подаём конкатенированный кадр front | wrist (каждый 192×256 RGB), нормализованные в диапазон [-1, 1] через dataset_stats_7d.json текущие углы joint_1..6.pos и gripper.pos вместе с одной из 7 текстовых инструкций — модель возвращает матрицу из 32 шагов целевых координат суставов и захвата с частотой 15 Гц.

ПодробнееОбучение: 400 эпизодов (по 100 на папку задачи) из датасета anhdao69/data_real_4tasks.
Гиперпараметры: 30 000 обновлений, batch size 128, learning rate 1e-4 с прогревом 1 500 шагов и косинусным затуханием до 1e-6 (seed 42).
Размер весов: ~2,34 ГБ на чекпоинт (опубликованы промежуточные версии на 20k и 25k шагах).
Discuss Telegram 0

Will it run?

Working out the memory needs

The bot is still collecting this model's weight sizes; the estimate will appear here in a few minutes. Meanwhile you can rent a GPU with headroom.

Massed ComputeOpen Massed Compute

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # anhdao69/CoilWAM_real4task
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download anhdao69/CoilWAM_real4task --local-dir ~/models/CoilWAM_real4task
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to CoilWAM_real4task
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of CoilWAM_real4task (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

anhdao69/CoilWAM_real4task
Author
anhdao69
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Other

VoxScout

VoxScout