К содержимому
Робототехника

Camera20 Stage2 → XLeRobot

модель управления двуруким роботом с бинарным захватом

2 мин чтенияобновлено

Это VLA-модель (Vision-Language-Action — нейросеть, которая по картинке с камер и текстовой задаче предсказывает движения робота) для платформы XLeRobot. Она построена на базе Qwen3.5-4B с 32 слоями MoT (Mixture of Transformers) и инициализирована с предобученного чекпоинта на 283 350 шагах. На входе модель принимает текущие координаты манипуляторов и снимки с трёх камер, а на выходе выдаёт траекторию абсолютных координат и бинарную команду для захватов (открыть или закрыть). Подойдёт инженерам и исследователям робототехники, работающим с двурукими манипуляторами и платформами вроде SO101.

Ключевые особенности

  • Работает с тремя RGB-камерами одновременно (головная, левое и правое запястье), приводя кадры к разрешению 224×224, и строит прогноз на 16 шагов вперёд (около 0.53 секунды при частоте 30 Гц).
  • Использует бинарное управление захватами (0 или 1) с откалиброванными порогами вместо непрерывных значений, но умеет возвращать команды и в исходном масштабе датчиков.
  • В репозитории лежат готовые EMA-чекпоинты для двух задач: перекладывание зелёно-красных блоков (final, 30 000 шагов) и работа с фруктами (промежуточные шаги 5k, 10k и 15k).
  • Веса Qwen и MoT уже упакованы внутрь model.pt, а для запуска в комплекте идёт автономный скрипт инференса infer_eef.py.

Что можно сделать

  • Развернуть политику управления в контуре двурукого робота XLeRobot для сортировки или перекладывания предметов (кубиков и фруктов) по камерам.
  • Интегрировать Python-класс Camera20Policy в свой робототехнический рантайм, чтобы получать целевые координаты EEF (конечного звена манипулятора) и передавать их в контроллер обратной кинематики.
  • Сравнить поведение модели на разных этапах дообучения на задаче с фруктами (5k, 10k и 15k шагов) в симуляции или на стенде.

Пример

from camera20_inference import Camera20Policy

policy = Camera20Policy(".", "fruit", checkpoint="step_005000")
result = policy.infer({
    "state": state_eef,
    "images": {"head": head_rgb, "left_wrist": left_wrist_rgb, "right_wrist": right_wrist_rgb},
})
actions_binary = result["actions"]
ПодробнееОбучение: 30 000 шагов (full-parameter), batch 128 на 8 GPU, lr 2.5e-5, EMA 0.999; по 36 траекторий на задачу.
Метрики (EMA validation flow loss): green_red_blocks/final — 0.016180; fruit/step_005000 — 0.008298.
Среда проверки: NVIDIA H100, Python 3.10, PyTorch 2.8.0+cu128, Transformers 5.3.0, Flash Linear Attention 0.3.2.
Ограничения: модели не проходили проверку на реальном роботе (нет real-robot rollout), задачи эстафеты и укладки ещё не выложены; лицензия на веса не указана.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 5.3 GB6.3 GB
  • 4-bitвеса 3.0 GB3.8 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 5060 Ti 8GB · BF16 — от RTX 5080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

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.

    # ssrgroup-xlerobot/camera20-stage2-xlerobot-binary-eef-20261114
    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 ssrgroup-xlerobot/camera20-stage2-xlerobot-binary-eef-20261114 --local-dir ~/models/camera20-stage2-xlerobot-binary-eef-20261114
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 camera20-stage2-xlerobot-binary-eef-20261114 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

ssrgroup-xlerobot/camera20-stage2-xlerobot-binary-eef-20261114
Автор
ssrgroup-xlerobot
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

United 2nd

United 2nd