Heim
150 Trainingsdaten ermöglichen die Anpassung des Roboters: Ant Lingbo veröffentlicht den Code zur Feinabstimmung von LingBot-VLA als Open Source

Das zur Ant Group gehörende Robotikunternehmen Lingbo Technology hat die vollständige Open-Source-Veröffentlichung der Toolchain für das Post-Training von realen Robotern für sein verkörpertes Grundmodell LingBot-VLA bekannt gegeben. Diese Toolchain ermöglicht es Entwicklungsteams, LingBot-VLA mithilfe ihrer eigenen Daten schnell an ihre eigenen Roboter und Aufgaben anzupassen.
Die wachsende Zahl von Open-Source-Modellen für verkörperte Intelligenz erfordert nach wie vor umfangreichen Anpassungsaufwand, um sie auf einem bestimmten Roboter einzusetzen. Unterschiede bei den Konfigurationen von Roboterarmen, Endeffektoren, Sensoraufbauten und Steuerungsschnittstellen bedeuten, dass Teams für den Einsatz an realen Robotern oft erhebliche technische Anpassungen vornehmen müssen. Solche Arbeitsabläufe wurden bisher in der Regel als internes Know-how gehütet und selten vollständig als Open Source veröffentlicht.
Diese Version zielt auf zentrale Anforderungen bei der Anpassung an reale Roboter in vier Phasen ab: Datenverarbeitungswerkzeuge, die das Zusammenführen mehrerer LeRobot-Datensätze unterstützen und die Zuordnung von Gelenkdimensionen standardisieren; für reale Roboterszenarien optimierte Trainingskonfigurationen; Offline-Auswertungswerkzeuge sowie ein Modul für den Einsatz auf realen Robotern mit Beschleunigung der Kompilierung. Das Modell bietet zudem Versionen mit und ohne Tiefeninformationen an, sodass Teams je nach ihren Anforderungen wählen können.
Als verkörpertes Grundmodell wurde LingBot-VLA anhand von 20.000 Stunden Daten mit realen Robotern vortrainiert, die neun gängige Konfigurationen von Zweiarmenrobotern abdecken. Es verfügt über Generalisierungsfähigkeiten über verschiedene Roboter und Aufgaben hinweg. Sowohl bei Bewertungen mit realen Robotern als auch in Simulationen übertrifft es den Branchen-Benchmark π0,5 und wurde einer Verifizierung auf mehreren Maschinen bei Herstellern wie Lepu, Songling und Xinghai Tu unterzogen.
LingBot-VLA kann bereits mit nur 150 Demonstrationsdatenpunkten eine qualitativ hochwertige Aufgabenübertragung erreichen. Dank einer tiefgreifenden Optimierung der zugrunde liegenden Codebasis ist seine Trainingseffizienz 1,5- bis 2,8-mal so hoch wie die gängiger Frameworks wie StarVLA und OpenPI, was die Daten- und Rechenkosten für die Modellanpassung weiter senkt.
Das LingBot-VLA-Code-Repository ist nun als Open Source auf GitHub (github.com/Robbyant/lingbot-vla) verfügbar, und die Modellgewichte sind auf Hugging Face und ModelScope erhältlich.
Verwandter Artikel
Die umfassende Integration von ChatGPT eröffnet den Zugriff auf 300.000 Filme und Fernsehsendungen per Sprachbefehl
Da Streaming-Dienste den Markt mit unzähligen Inhalten überschwemmen, ist es zu einer entscheidenden Herausforderung der Branche geworden, den Nutzern dabei zu helfen, den Überblick zu behalten und ge
So optimieren Sie die Core Web Vitals für ein besseres SEO-Ranking
Optimieren Sie Ihren Workflow bei der Videobearbeitung mit KI-gestützten TranskriptenInhaltsverzeichnis:EinleitungDie wichtigsten Vorteile der automatisierten TranskriptionGewährleistung der Genauigke
DingTalk gestaltet seine Architektur mit MuleRun von AliAI neu und läutet damit das Zeitalter der Full-Agent-Lösungen ein
Chen Yusen, der neue CEO von DingTalk und Leiter des Geschäftsbereichs Wukong, hat in einem heute Nachmittag veröffentlichten internen Memo eine umfassende organisatorische Umstrukturierung bekannt ge
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)

Das zur Ant Group gehörende Robotikunternehmen Lingbo Technology hat die vollständige Open-Source-Veröffentlichung der Toolchain für das Post-Training von realen Robotern für sein verkörpertes Grundmodell LingBot-VLA bekannt gegeben. Diese Toolchain ermöglicht es Entwicklungsteams, LingBot-VLA mithilfe ihrer eigenen Daten schnell an ihre eigenen Roboter und Aufgaben anzupassen.
Die wachsende Zahl von Open-Source-Modellen für verkörperte Intelligenz erfordert nach wie vor umfangreichen Anpassungsaufwand, um sie auf einem bestimmten Roboter einzusetzen. Unterschiede bei den Konfigurationen von Roboterarmen, Endeffektoren, Sensoraufbauten und Steuerungsschnittstellen bedeuten, dass Teams für den Einsatz an realen Robotern oft erhebliche technische Anpassungen vornehmen müssen. Solche Arbeitsabläufe wurden bisher in der Regel als internes Know-how gehütet und selten vollständig als Open Source veröffentlicht.
Diese Version zielt auf zentrale Anforderungen bei der Anpassung an reale Roboter in vier Phasen ab: Datenverarbeitungswerkzeuge, die das Zusammenführen mehrerer LeRobot-Datensätze unterstützen und die Zuordnung von Gelenkdimensionen standardisieren; für reale Roboterszenarien optimierte Trainingskonfigurationen; Offline-Auswertungswerkzeuge sowie ein Modul für den Einsatz auf realen Robotern mit Beschleunigung der Kompilierung. Das Modell bietet zudem Versionen mit und ohne Tiefeninformationen an, sodass Teams je nach ihren Anforderungen wählen können.
Als verkörpertes Grundmodell wurde LingBot-VLA anhand von 20.000 Stunden Daten mit realen Robotern vortrainiert, die neun gängige Konfigurationen von Zweiarmenrobotern abdecken. Es verfügt über Generalisierungsfähigkeiten über verschiedene Roboter und Aufgaben hinweg. Sowohl bei Bewertungen mit realen Robotern als auch in Simulationen übertrifft es den Branchen-Benchmark π0,5 und wurde einer Verifizierung auf mehreren Maschinen bei Herstellern wie Lepu, Songling und Xinghai Tu unterzogen.
LingBot-VLA kann bereits mit nur 150 Demonstrationsdatenpunkten eine qualitativ hochwertige Aufgabenübertragung erreichen. Dank einer tiefgreifenden Optimierung der zugrunde liegenden Codebasis ist seine Trainingseffizienz 1,5- bis 2,8-mal so hoch wie die gängiger Frameworks wie StarVLA und OpenPI, was die Daten- und Rechenkosten für die Modellanpassung weiter senkt.
Das LingBot-VLA-Code-Repository ist nun als Open Source auf GitHub (github.com/Robbyant/lingbot-vla) verfügbar, und die Modellgewichte sind auf Hugging Face und ModelScope erhältlich.
Die umfassende Integration von ChatGPT eröffnet den Zugriff auf 300.000 Filme und Fernsehsendungen per Sprachbefehl
Da Streaming-Dienste den Markt mit unzähligen Inhalten überschwemmen, ist es zu einer entscheidenden Herausforderung der Branche geworden, den Nutzern dabei zu helfen, den Überblick zu behalten und ge
So optimieren Sie die Core Web Vitals für ein besseres SEO-Ranking
Optimieren Sie Ihren Workflow bei der Videobearbeitung mit KI-gestützten TranskriptenInhaltsverzeichnis:EinleitungDie wichtigsten Vorteile der automatisierten TranskriptionGewährleistung der Genauigke
DingTalk gestaltet seine Architektur mit MuleRun von AliAI neu und läutet damit das Zeitalter der Full-Agent-Lösungen ein
Chen Yusen, der neue CEO von DingTalk und Leiter des Geschäftsbereichs Wukong, hat in einem heute Nachmittag veröffentlichten internen Memo eine umfassende organisatorische Umstrukturierung bekannt ge











