Hogar
150 datos de entrenamiento permiten la adaptación del robot: Ant Lingbo publica en código abierto el código de ajuste fino de LingBot-VLA

Lingbo Technology, empresa de robótica propiedad de Ant Group, ha anunciado el lanzamiento en código abierto completo de la cadena de herramientas de posentrenamiento para robots reales de su modelo base incorporado, LingBot-VLA. Esta cadena de herramientas permite a los equipos de desarrollo adaptar rápidamente LingBot-VLA a sus propios robots y tareas utilizando sus propios datos.
El creciente número de modelos de inteligencia incorporada de código abierto sigue requiriendo un extenso trabajo de adaptación para su implementación en un robot específico. Las diferencias en las configuraciones de los brazos robóticos, los efectores finales, las configuraciones de los sensores y las interfaces de control hacen que, a menudo, los equipos deban realizar un importante trabajo de ingeniería para el despliegue en robots reales. Estos flujos de trabajo se han mantenido tradicionalmente como conocimientos técnicos internos y rara vez se han publicado íntegramente en código abierto hasta ahora.
Esta versión aborda las principales necesidades de adaptación a robots reales en cuatro etapas: herramientas de procesamiento de datos que permiten fusionar múltiples conjuntos de datos de LeRobot y estandarizar la correspondencia de dimensiones de las articulaciones; configuraciones de entrenamiento optimizadas para escenarios con robots reales; herramientas de evaluación fuera de línea; y un módulo de implementación en robots reales con aceleración de la compilación. El modelo también ofrece versiones con y sin profundidad, lo que permite a los equipos elegir en función de sus necesidades.
Como modelo base incorporado, LingBot-VLA está preentrenado con 20 000 horas de datos de robots reales que abarcan nueve configuraciones habituales de robots de dos brazos. Posee capacidades de generalización entre diferentes modelos de robot y entre diferentes tareas. Tanto en las evaluaciones con robots reales como en las de simulación, supera al punto de referencia del sector π0,5 y ha sido sometido a una verificación en múltiples máquinas con fabricantes como Lepu, Songling y Xinghai Tu.
LingBot-VLA puede lograr una transferencia de tareas de alta calidad con tan solo 150 puntos de datos de demostración. Gracias a la optimización profunda del código subyacente, su eficiencia de entrenamiento es entre 1,5 y 2,8 veces superior a la de marcos de trabajo habituales como StarVLA y OpenPI, lo que reduce aún más los costes de datos y computación para la adaptación del modelo.
El repositorio de código de LingBot-VLA ya es de código abierto en GitHub (github.com/Robbyant/lingbot-vla), y los pesos del modelo están disponibles en Hugging Face y ModelScope.
Artículo relacionado
La integración profunda de ChatGPT permite acceder a 300 000 películas y series de televisión a través de la conversación
A medida que los servicios de streaming saturan el mercado con un sinfín de contenidos, ayudar a los usuarios a filtrar el ruido para encontrar lo que realmente buscan se ha convertido en un reto fund
Cómo optimizar los Core Web Vitals para mejorar el posicionamiento SEO
Transforma tu flujo de trabajo de edición de vídeo con transcripciones generadas por IAÍndice:IntroducciónVentajas clave de la transcripción automatizadaGarantizar la precisión y perfeccionar el resul
DingTalk reestructura su arquitectura con MuleRun de AliAI y da inicio a la era de los agentes completos
Chen Yusen, nuevo director ejecutivo de DingTalk y responsable de la unidad de negocio Wukong, ha revelado una importante reestructuración organizativa en un memorándum interno publicado esta tarde. M
Recomendaciones de temas especiales relacionados
comentario (0)
0/500

Lingbo Technology, empresa de robótica propiedad de Ant Group, ha anunciado el lanzamiento en código abierto completo de la cadena de herramientas de posentrenamiento para robots reales de su modelo base incorporado, LingBot-VLA. Esta cadena de herramientas permite a los equipos de desarrollo adaptar rápidamente LingBot-VLA a sus propios robots y tareas utilizando sus propios datos.
El creciente número de modelos de inteligencia incorporada de código abierto sigue requiriendo un extenso trabajo de adaptación para su implementación en un robot específico. Las diferencias en las configuraciones de los brazos robóticos, los efectores finales, las configuraciones de los sensores y las interfaces de control hacen que, a menudo, los equipos deban realizar un importante trabajo de ingeniería para el despliegue en robots reales. Estos flujos de trabajo se han mantenido tradicionalmente como conocimientos técnicos internos y rara vez se han publicado íntegramente en código abierto hasta ahora.
Esta versión aborda las principales necesidades de adaptación a robots reales en cuatro etapas: herramientas de procesamiento de datos que permiten fusionar múltiples conjuntos de datos de LeRobot y estandarizar la correspondencia de dimensiones de las articulaciones; configuraciones de entrenamiento optimizadas para escenarios con robots reales; herramientas de evaluación fuera de línea; y un módulo de implementación en robots reales con aceleración de la compilación. El modelo también ofrece versiones con y sin profundidad, lo que permite a los equipos elegir en función de sus necesidades.
Como modelo base incorporado, LingBot-VLA está preentrenado con 20 000 horas de datos de robots reales que abarcan nueve configuraciones habituales de robots de dos brazos. Posee capacidades de generalización entre diferentes modelos de robot y entre diferentes tareas. Tanto en las evaluaciones con robots reales como en las de simulación, supera al punto de referencia del sector π0,5 y ha sido sometido a una verificación en múltiples máquinas con fabricantes como Lepu, Songling y Xinghai Tu.
LingBot-VLA puede lograr una transferencia de tareas de alta calidad con tan solo 150 puntos de datos de demostración. Gracias a la optimización profunda del código subyacente, su eficiencia de entrenamiento es entre 1,5 y 2,8 veces superior a la de marcos de trabajo habituales como StarVLA y OpenPI, lo que reduce aún más los costes de datos y computación para la adaptación del modelo.
El repositorio de código de LingBot-VLA ya es de código abierto en GitHub (github.com/Robbyant/lingbot-vla), y los pesos del modelo están disponibles en Hugging Face y ModelScope.
La integración profunda de ChatGPT permite acceder a 300 000 películas y series de televisión a través de la conversación
A medida que los servicios de streaming saturan el mercado con un sinfín de contenidos, ayudar a los usuarios a filtrar el ruido para encontrar lo que realmente buscan se ha convertido en un reto fund
Cómo optimizar los Core Web Vitals para mejorar el posicionamiento SEO
Transforma tu flujo de trabajo de edición de vídeo con transcripciones generadas por IAÍndice:IntroducciónVentajas clave de la transcripción automatizadaGarantizar la precisión y perfeccionar el resul
DingTalk reestructura su arquitectura con MuleRun de AliAI y da inicio a la era de los agentes completos
Chen Yusen, nuevo director ejecutivo de DingTalk y responsable de la unidad de negocio Wukong, ha revelado una importante reestructuración organizativa en un memorándum interno publicado esta tarde. M











