FastWAM-Fold-Towel-IOReset-Epoch-1
робот учится складывать полотенца на базе Wan 2.2
2 мин чтенияобновлено
Оценочный чекпоинт (веса модели с первой из шести эпох обучения) для двуручной робототехники, основанный на видеомодели Wan2.2-TI2V-5B и архитектуре FastWAM. Модель решает конкретную манипуляционную задачу: берет длинное полотенце двумя захватами за края, последовательно складывает его по короткой, длинной и снова по короткой стороне, а затем разглаживает. На вход подаются кадры с трех камер и текстовая инструкция, а на выходе нейросеть сначала предсказывает будущие кадры видео, а затем генерирует последовательность из 32 шагов управления суставами. Отличительная черта этой версии — стратегия инициализации IO reset: входные и выходные слои действий и проприоцепции (данных о положении собственных суставов робота) были сброшены и обучены с нуля из-за несовместимости статистик исходного чекпоинта. Пригодится исследователям в области Embodied AI (ИИ для физического мира) и разработчикам, работающим с двуручными манипуляторами вроде PiPER.
Ключевые особенности
- Мультикамерное зрение: объединяет поток с трех RGB-камер (верхней и двух на запястьях) размером 224×224 в единую панораму 224×672.
- Точное 14-мерное управление: выдает целевые углы в радианах для 6 суставов и степень открытия захвата (до 0,08 м) для каждой из двух рук.
- Предсказание через видео: в режиме
idmмодель сначала синтезирует прогноз из 9 кадров будущего состояния сцены, а затем строит траекторию движений. - Полный комплект для запуска: в репозиторий включены веса в формате
BF16, конфигурация Hydra, статистики нормализации, контракт инференса и архивcode.zipс кодом среды.
Что можно сделать
- Развернуть на двуручном манипуляторе: интегрировать через адаптер под 14-мерный формат управления (например, для платформ PiPER) для автоматизации работы с мягкими деформируемыми объектами.
- Изучить влияние инициализации IO reset: сравнить поведение весов с переинициализированными слоями действий против стандартного подхода
fresh IDMна задаче переноса навыков. - Использовать как базу для дообучения: взять подготовленный пайплайн FastWAM v8 из комплекта и адаптировать его под другие бытовые манипуляции с тканью.
Пример
model = hydra.utils.instantiate(cfg.model, model_dtype=torch.bfloat16, device="cuda")
model.load_checkpoint("model.pt")
# Сначала предсказывает будущее видео, затем чанк из 32 действий
actions = model.infer_action(obs, action_infer_mode="idm", num_inference_steps=20)
Подробнее
Обучение: 100 демонстраций (99 151 кадр, 30 Гц) из датасетаyuyingyinya/fold_towel, шаг 4958 из 29 748 (эпоха 1 из 6).Железо при обучении: 4× GPU A800 (глобальный батч 20, формат BF16, DeepSpeed ZeRO-1).
Ограничения: не является standalone-моделью для
from_pretrained; отдельно требуются веса VAE от Wan2.2-TI2V-5B и текстовый энкодер UMT5 от Wan2.1.Метрики: закрытые тесты на реальном роботе не проводились, состояние оптимизатора не сохранено.










Комментарии