К содержимому
Другое

CoilWAM_real4task

политика управления роборукой AgileX Piper

2 мин чтенияобновлено

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).
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # anhdao69/CoilWAM_real4task
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к CoilWAM_real4task
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии CoilWAM_real4task — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

anhdao69/CoilWAM_real4task
Автор
anhdao69
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

VoxScout

VoxScout