Frank-Insert-Wipe
чекпоинты AdaSpeVLA для манипулятора Franka
2 min read
Набор чекпоинтов для робототехники на базе архитектуры AdaSpeVLA — модификации модели pi0.5 (фреймворк OpenPI на JAX). Модель предсказывает траектории действий робота в виде кубических B-сплайнов (гладких кривых, задаваемых по контрольным точкам) с адаптивными узлами, а отдельный модуль тайминга сам решает, когда политике нужно заново запросить следующее действие. В репозитории от автора cognaclee доступны веса для двух задач манипулятора Franka: вставки трубки (insert_tube) и протирания маркерной доски (wipe_whiteboard). Пригодится исследователям и разработчикам VLA-моделей (Vision-Language-Action), работающим с управлением роботами и адаптивной частотой инференса.
Ключевые особенности
- Два варианта генератора траекторий (11 контрольных точек): компактная
flow_head(20.4M параметров, обучена с нуля) и более крупныйpi05_expertна базе Gemma-300M (427.9M параметров с adaRMS изpi05_base). - Встроенный модуль тайминга (
timing head), который динамически определяет интервал до следующего запроса политики в диапазоне от 0.2 до 1.5 секунды при горизонте планирования H=16. - Полный комплект для воспроизведения: в репозитории есть не только Orbax-чекпоинты со статистиками нормализации, но и плагин
code/adaspe_trainс кодом обучения. - Разделение по стадиям: можно скачать промежуточные веса только генератора действий (40k шагов) или финальные деплой-чекпоинты с дообученным модулем тайминга (ещё 10k шагов).
Что можно сделать
- Развернуть готовые политики
insert_tube_adaspe_timing_from40kилиwipe_whiteboard_adaspe_timing_from40kв среде OpenPI для управления манипулятором Franka с двумя камерами 128×128. - Сравнить на практике лёгкий
flow_head(20.4M) и тяжёлыйpi05_expert(427.9M) по скорости работы и плавности движений на одном и том же наборе данных. - Использовать плагин
adaspe_trainкак основу для обучения собственных AdaSpeVLA-политик на датасетах формата LeRobot.
Пример
from huggingface_hub import snapshot_download
root = snapshot_download(
"cognaclee/Frank-Insert-Wipe",
allow_patterns=["insert_tube/timing-from40k-step-9999/*"]
)
ckpt_dir = f"{root}/insert_tube/timing-from40k-step-9999"Подробнее
Данные: две камеры 128×128, 19-мерное состояние, 7-мерное действие (10 Гц); 102 эпизода дляinsert_tube и 112 эпизодов для wipe_whiteboard.Обучение: инициализация из
pi05_base, батч 32, 40k шагов на действия и 10k шагов на тайминг (при замороженных остальных весах).Метрики на обучении (action loss / timing MSE): для
insert_tube — 0.086 / 0.206 (flow_head) и 0.030 / 0.255 (pi05_expert); для wipe_whiteboard — 0.118 / 0.196 и 0.040 / 0.271.Ограничения: в карточке приведены только значения функции потерь на обучении, тесты на реальном роботе не опубликованы; чекпоинты содержат только параметры без
train_state оптимизатора.









Comments