Maison
150 données d'apprentissage permettent l'adaptation du robot : Ant Lingbo met en open source le code de réglage fin de LingBot-VLA

Lingbo Technology, société de robotique détenue par Ant Group, a annoncé la publication en open source de l'ensemble de la chaîne d'outils de post-entraînement sur robot physique pour son modèle de base incarné, LingBot-VLA. Cette chaîne d'outils permet aux équipes de développement d'adapter rapidement LingBot-VLA à leurs propres robots et tâches en utilisant leurs propres données.
Le nombre croissant de modèles d’intelligence incarnée open source nécessite encore un travail d’adaptation considérable pour être déployé sur un robot spécifique. Les différences de configuration des bras robotiques, des effecteurs terminaux, des capteurs et des interfaces de contrôle obligent souvent les équipes à réaliser un travail d’ingénierie important pour le déploiement sur un robot physique. Ces workflows relevaient généralement du savoir-faire interne et étaient rarement mis entièrement en open source auparavant.
Cette version répond aux principaux besoins d’adaptation aux robots réels à travers quatre étapes : des outils de traitement des données permettant de fusionner plusieurs jeux de données LeRobot et de normaliser le mappage des dimensions articulaires, des configurations d’entraînement optimisées pour les scénarios impliquant des robots réels, des outils d’évaluation hors ligne, ainsi qu’un module de déploiement sur robot réel avec accélération de la compilation. Le modèle propose également des versions avec et sans profondeur, permettant aux équipes de choisir en fonction de leurs besoins.
En tant que modèle de base incarné, LingBot-VLA a été pré-entraîné sur 20 000 heures de données de robots réels couvrant neuf configurations courantes de robots à deux bras. Il possède des capacités de généralisation inter-robots et inter-tâches. Tant lors des évaluations sur des robots réels que lors des simulations, il surpasse la référence du secteur π0.5 et a fait l’objet d’une vérification sur plusieurs machines auprès de fabricants tels que Lepu, Songling et Xinghai Tu.
LingBot-VLA permet un transfert de tâches de haute qualité avec seulement 150 points de données de démonstration. Grâce à une optimisation en profondeur du code sous-jacent, son efficacité d’entraînement est 1,5 à 2,8 fois supérieure à celle des frameworks courants tels que StarVLA et OpenPI, ce qui réduit encore davantage les coûts liés aux données et au calcul pour l’adaptation du modèle.
Le dépôt de code de LingBot-VLA est désormais disponible en open source sur GitHub (github.com/Robbyant/lingbot-vla), et les poids du modèle sont disponibles sur Hugging Face et ModelScope.
Article connexe
L'intégration avancée de ChatGPT donne accès à 300 000 films et séries télévisées par simple conversation
Alors que les services de streaming saturent le marché avec un contenu infini, aider les utilisateurs à faire le tri pour trouver ce qu’ils recherchent réellement est devenu un défi majeur pour le sec
Comment optimiser les Core Web Vitals pour améliorer son référencement naturel
Transformez votre processus de montage vidéo grâce à des transcriptions générées par l'IASommaire :IntroductionPrincipaux avantages de la transcription automatiséeGarantir la précision et affiner le r
DingTalk refond son architecture grâce à MuleRun d'AliAI et inaugure l'ère des agents complets
Chen Yusen, nouveau PDG de DingTalk et directeur de la division Wukong, a annoncé une importante restructuration organisationnelle dans une note interne publiée cet après-midi. En créant le départemen
Recommandations de sujets spéciaux liés
commentaires (0)

Lingbo Technology, société de robotique détenue par Ant Group, a annoncé la publication en open source de l'ensemble de la chaîne d'outils de post-entraînement sur robot physique pour son modèle de base incarné, LingBot-VLA. Cette chaîne d'outils permet aux équipes de développement d'adapter rapidement LingBot-VLA à leurs propres robots et tâches en utilisant leurs propres données.
Le nombre croissant de modèles d’intelligence incarnée open source nécessite encore un travail d’adaptation considérable pour être déployé sur un robot spécifique. Les différences de configuration des bras robotiques, des effecteurs terminaux, des capteurs et des interfaces de contrôle obligent souvent les équipes à réaliser un travail d’ingénierie important pour le déploiement sur un robot physique. Ces workflows relevaient généralement du savoir-faire interne et étaient rarement mis entièrement en open source auparavant.
Cette version répond aux principaux besoins d’adaptation aux robots réels à travers quatre étapes : des outils de traitement des données permettant de fusionner plusieurs jeux de données LeRobot et de normaliser le mappage des dimensions articulaires, des configurations d’entraînement optimisées pour les scénarios impliquant des robots réels, des outils d’évaluation hors ligne, ainsi qu’un module de déploiement sur robot réel avec accélération de la compilation. Le modèle propose également des versions avec et sans profondeur, permettant aux équipes de choisir en fonction de leurs besoins.
En tant que modèle de base incarné, LingBot-VLA a été pré-entraîné sur 20 000 heures de données de robots réels couvrant neuf configurations courantes de robots à deux bras. Il possède des capacités de généralisation inter-robots et inter-tâches. Tant lors des évaluations sur des robots réels que lors des simulations, il surpasse la référence du secteur π0.5 et a fait l’objet d’une vérification sur plusieurs machines auprès de fabricants tels que Lepu, Songling et Xinghai Tu.
LingBot-VLA permet un transfert de tâches de haute qualité avec seulement 150 points de données de démonstration. Grâce à une optimisation en profondeur du code sous-jacent, son efficacité d’entraînement est 1,5 à 2,8 fois supérieure à celle des frameworks courants tels que StarVLA et OpenPI, ce qui réduit encore davantage les coûts liés aux données et au calcul pour l’adaptation du modèle.
Le dépôt de code de LingBot-VLA est désormais disponible en open source sur GitHub (github.com/Robbyant/lingbot-vla), et les poids du modèle sont disponibles sur Hugging Face et ModelScope.
L'intégration avancée de ChatGPT donne accès à 300 000 films et séries télévisées par simple conversation
Alors que les services de streaming saturent le marché avec un contenu infini, aider les utilisateurs à faire le tri pour trouver ce qu’ils recherchent réellement est devenu un défi majeur pour le sec
Comment optimiser les Core Web Vitals pour améliorer son référencement naturel
Transformez votre processus de montage vidéo grâce à des transcriptions générées par l'IASommaire :IntroductionPrincipaux avantages de la transcription automatiséeGarantir la précision et affiner le r
DingTalk refond son architecture grâce à MuleRun d'AliAI et inaugure l'ère des agents complets
Chen Yusen, nouveau PDG de DingTalk et directeur de la division Wukong, a annoncé une importante restructuration organisationnelle dans une note interne publiée cet après-midi. En créant le départemen











