iclr27_release
набор из 15 робототехнических политик на базе V-JEPA 2.1
2 мин чтенияобновлено
Анонимный релиз весов (предположительно к конференции ICLR 2027), включающий 15 моделей управления роботами (Stage-2 policies) и 3 парных кодека действий. В качестве визуального бэкбона используется замороженная модель V-JEPA 2.1 ViT-L/16 (разрешение 384), а сама политика принимает поток с трёх камер (first_person, wrist_left, wrist_right) и проприоцептивное состояние робота, выдавая последовательность действий на 30 шагов вперёд. В архив входят как основная мультизадачная модель (main_multitask), так и 11 узкоспециализированных политик для манипуляций одной и двумя руками, а также 3 абляционные модели для сравнения подходов к кодированию движений.
Ключевые особенности
- Мультизадачность и узкие навыки: главная модель обучена на 120K шагов сразу на всех задачах, плюс доступны 11 отдельных чекпоинтов (30K–50K шагов) для конкретных действий.
- Три варианта кодеков действий: помимо основного энкодера/декодера, в релизе есть парные кодеки для
Action-MAEиAction-iBOT(с поддержкой целейsiglipиibot), сжимающие действия в латентные токены размерности 512. - Два режима запуска: полный RGB-инференс (требует отдельной загрузки весов V-JEPA 2.1) и быстрая проверка на предвычисленных признаках (
--features-only) без визуального бэкбона. - Полная воспроизводимость инференса: веса сохранены в исходной точности (включая EMA-сети), в комплекте идут нормализаторы, статистики латентного пространства и скрипты верификации контрольных сумм.
Что можно сделать
- Запустить инференс политики в симуляторе или на роботе: подавать кадры с трёх RGB-камер и вектор состояния D324, получая готовые чанки действий
[30, 324]. - Использовать энкодеры действий отдельно: сжимать траектории движений в компактные латентные представления с помощью
load_codec_networksдля собственных экспериментов в робототехнике. - Сравнить способы представления действий: протестировать разницу между сырыми действиями (
raw_action),action_maeиaction_ibotна готовых признаках.
Пример
from load_release import load_policy
policy = load_policy(
"main_multitask",
device="cuda",
vjepa_weights="../vjepa2_1_vitl_dist_vitG_384.pt",
)
# policy.predict(observation).action возвращает чанк действий [30, 324]Подробнее
Референсные оценки (50 эпизодов на задачу, seed-0):main_multitask — 357/550 успехов, ablations/action_mae — 252/550, ablations/action_ibot — 240/550, ablations/raw_action — 117/550.Лучшие одиночные политики: полив растения (
water_plant) — 48/50, клик мышью и щипцы — по 41/50, съёмка двумя руками — 39/50; сложнее всего даётся сборка двумя руками (1/50) и разблокировка iPad (8/50).Требуется Python 3.10+ и PyTorch; внешние веса V-JEPA 2.1 скачиваются отдельно через
download_vision.py.В архиве нет симулятора, датасетов и состояний оптимизатора (только веса для инференса). Лицензия: CC BY-NC 4.0 (только некоммерческое использование).










Комментарии