SANA-RWM RoboDojo ARX-X5
политика управления двуруким роботом
2 min readupdated
Модель представляет собой политику управления (policy) для симулятора RoboDojo, предназначенную для двурукого манипулятора ARX-X5. Она дообучена на базе двухпоточной world model (модели мира, предсказывающей динамику среды) SANA-RWM на 5 млрд параметров и использует латентные представления LTX-2.3 VAE. На вход модель получает текстовые инструкции и видеопоток с трёх камер (головной и двух на запястьях), а на выходе генерирует чанки по 32 абсолютных действия для рабочих органов робота (end-effector) с частотой 25 fps. В репозитории опубликованы EMA-веса (экспоненциальное скользящее среднее с коэффициентом 0.999) на шаге 20 000, что пригодится исследователям робототехники для воспроизведения и оценки манипуляционных задач в симуляции.
Ключевые особенности
- Многоракурсное зрение: обрабатывает изображения в T-компоновке одновременно с головной камеры (384×480 px) и двух камер на запястьях (192×256 px) через LTX-2.3 VAE.
- Двухпоточная архитектура obs-block: построена на базе 5B-модели SANA-RWM с горизонтом softmax sink 7 и кэшированием чистого префикса (
prefix_cache) при инференсе. - Полный контракт деплоя: помимо консолидированных fp32 EMA-весов (
pytorch_model_fsdp.bin), в архив включены файлы нормализации действий и контрактepisode_chain_contract.jsonс порядком камер, слотов и инструкций.
Что можно сделать
- Запустить в симуляторе RoboDojo: развернуть политику на сервере инференса (с выполнением первых 24 строк из 32-строчного чанка действий) для тестирования двуруких манипуляций на 42 задачах.
- Исследовать world models в робототехнике: изучить совместную генерацию видео и действий (Video CFG 6, Action CFG 1 за 10 шагов сэмплирования) на основе приложенных конфигов обучения и метаданных.
Пример
Сценарий инференса из карточки: модель принимает инструкции и кадры с трёх камер (голова + левое и правое запястья), предзаполняет чистый префикс эпизода через prefix_cache и за 10 шагов сэмплирования (Video CFG 6, Action CFG 1) выдаёт чанк из 32 абсолютных координат end-effector на 25 fps, из которых сервер политики исполняет первые 24.
Подробнее
Бенчмарки (42 задачи × 3 сида в RoboDojo): средний процент успеха (Avg SR) — 25.71 ±1.05%, средний балл (Avg Score) — 32.41 ±0.78.По категориям (SR): Memory — 50.78 ±1.23%, Precision — 27.25 ±3.14%, Long-Horizon — 26.08 ±1.55%, Generalization — 19.94 ±0.57% (35.89% на стандартных сценах и 4.00% на рандомизированных), Open — 4.50 ±0.35%.
Обучение: SFT на 3 500 демонстрационных эпизодах (чанки L = 4..49 по 32 действия), чекпоинт epoch 47 / step 20 000.
Ограничения: локальные пути в
config.yaml и контракте заменены на плейсхолдеры; качество сильно проседает при рандомизации раскладки сцены.









Comments