Task905-943-ViTacFormer-B128-200k
визуально-тактильная политика для робототехники
2 мин чтенияобновлено
Модель для управления бимануальным роботом (двумя руками и кистями), которая объединяет картинку с камеры, историю состояний суставов и показания тактильных датчиков давления. На выходе она предсказывает будущие тактильные ощущения и траекторию движений для 54 степеней свободы. Архитектура SH5 ViTacFormer обучена с нуля за 200 000 шагов на 156 эпизодах (использовалась только предобученная на ImageNet инициализация ResNet18) и поддерживает две задачи манипуляции: правой рукой (Task905) и левой рукой (Task943). Подойдёт исследователям в области робототехники и мультимодального управления для офлайн-тестирования и анализа тактильного прогнозирования.
Ключевые особенности
- Двунаправленное внимание (bidirectional attention) между визуальными данными с головной камеры и тактильными сенсорами.
- Единая модель на 54 сустава (по 7 на каждую руку и по 20 на каждую кисть) с переключением задач через Task ID 0 или 1.
- Двухэтапное декодирование: сначала прогнозируются будущие тактильные показания, затем формируются целевые углы суставов.
- В релиз включены два весовых файла формата PyTorch: финальный
step_200000.ptи лучший по валидацииbest_model.pt(шаг 192 000).
Что можно сделать
- Запустить офлайн-инференс на CPU на синхронизированных записях с камеры, энкодеров суставов и тактильных массивов.
- Сравнить точность прогноза давления и траекторий между чекпоинтами на 192k и 200k шагах через встроенный класс
Runtime.
Пример
from pathlib import Path
import sys
from huggingface_hub import snapshot_download
root = Path(snapshot_download("Dongkkka/Task905-943-ViTacFormer-B128-200k"))
sys.path.insert(0, str(root / "source"))
from runtime import Runtime
policy = Runtime(root, checkpoint="checkpoints/step_200000.pt", device="cpu")
action, tactile_future = policy.predict(state_history, tactile_history, image_rgb, task_id=0)
Подробнее
Метрики: финальный validation normalized action L1 — 0.1121; для правой руки (Task905) ошибка тактильного прогноза на 6.63% ниже бейзлайна persistence (и на 21.63% ниже в зоне активности), тогда как для левой руки (Task943) улучшения над persistence нет.Вход и выход: RGB-кадр 720×1280 (сжимается до 188×336), история состояний [6, 54], сырые тактильные данные [18, 90] без вычитания бейзлайна; на выходе 100 шагов команд суставов [100, 54] в радианах и тактильный прогноз [18, 180].
Ограничения: проверено только на офлайн-реплеях (включая CPU-верификацию), модель не сертифицирована для запуска на реальном роботе под нагрузкой и не совместима со старыми загрузчиками SH5.










Комментарии