SyncWorld-mv3-strip384-views-first-selv2-rt2h
модель мира для двуруких роботов с умным отбором контекста
2 мин чтенияобновлено
Промежуточный чекпоинт (2000-я итерация из 20 320) генеративной модели мира SyncWorld от разработчика yyuncong. По текущему кадру с камер робота и 16 будущим действиям двух манипуляторов модель предсказывает следующие 16 кадров видео. В основе лежат веса mvSV3p (обновление 20 000), дообученные на симуляционных данных RoboTwin 2.0. Главная особенность этой версии — обучаемый селектор контекста (selector v2) с правилом OR sibling rule, который сам выбирает из огромной базы наиболее подходящие прошлые фрагменты записей для подсказки генератору, не допуская утечки будущего.
Ключевые особенности
- Трёхкамерный формат: кадр представляет собой полосу 1536×384 из трёх ячеек 512×384 — одна фронтальная камера (head camera) и две камеры на запястьях манипуляторов.
- Обучаемый селектор контекста (v2): линейный скорер на 15 признаках оценивает кандидатов из библиотеки на 17,6 млн фрагментов, опираясь на сходство траекторий, поз, положения камер (в пределах 10° и 10 см) и визуальные признаки DINOv2-base.
- Защита от утечек (OR sibling rule): при поиске похожих примеров среди вариаций одного эпизода (контрфактических прогонов) отсеиваются фрагменты, где хотя бы одна рука ещё повторяет траекторию целевого эпизода.
- Двурукое управление (bimanual_gripper): на каждом шаге модель принимает 14 параметров — смещения, углы Эйлера и степень раскрытия схвата для левой и правой рук.
Что можно сделать
- Оценить качество retrieval-подхода: сравнить работу обучаемого селектора с контрольными чекпоинтами (
equalwс фиксированными весами и базовымrecent8) на отложенной выборке задач RoboTwin 2.0. - Симулировать двурукие манипуляции: тестировать предсказание визуальных последствий действий для роботов aloha-agilex, arx-x5, franka и ur5 в задачах с двумя манипуляторами.
- Изучить динамику обучения селектора: проанализировать веса
router.npz(версия 4, обученная на пуле из 2837 запросов), чтобы понять, какие признаки контекста важнее для точной генерации видео.
Пример
export WM_TTT_SIBLING_OVERRIDE=wm_ttt/handoff/rt2h_sibling_or_v1.npz
python wm_ttt/handoff/selector_eval_theta.py router.npz --out theta.jsonПодробнее
Обучение: 4 узла × 8 GPU NVIDIA B200 (32 потока, HSDP), bf16 с fp32 master weights, AdamW (LR 5e-5).Данные: 45 184 эпизода (225 001 запись) по 50 задачам RoboTwin 2.0; частота кадров — 20.83 Гц (кондиционирование — 15 fps).
Ограничения: промежуточный этап (1968 обновлений генератора из 20 000); для запуска требуются библиотека
mv_strip_rt2h_v1_s4_views_sib_grip_anch_wrist, код query_context_bimanual.py и обязательная переменная окружения WM_TTT_SIBLING_OVERRIDE.









Комментарии