Lar
150 dados de treinamento permitem a adaptação do robô: Ant Lingbo disponibiliza em código aberto o código de ajuste fino do LingBot-VLA

A Lingbo Technology, empresa de robótica pertencente ao Ant Group, anunciou o lançamento completo em código aberto da cadeia de ferramentas de pós-treinamento para robôs reais destinada ao seu modelo de base incorporado, o LingBot-VLA. Essa cadeia de ferramentas permite que equipes de desenvolvimento adaptem rapidamente o LingBot-VLA aos seus próprios robôs e tarefas, utilizando seus próprios dados.
O número crescente de modelos de inteligência incorporada de código aberto ainda exige um extenso trabalho de adaptação para ser implantado em um robô específico. Diferenças nas configurações de braços robóticos, efetores finais, configurações de sensores e interfaces de controle significam que as equipes frequentemente precisam realizar um trabalho significativo de engenharia para a implantação em robôs reais. Esses fluxos de trabalho têm sido tipicamente mantidos como know-how interno e raramente foram totalmente disponibilizados como código aberto antes.
Esta versão atende às principais necessidades de adaptação para robôs reais em quatro etapas: ferramentas de processamento de dados que suportam a fusão de múltiplos conjuntos de dados do LeRobot e padronizam o mapeamento de dimensões das articulações; configurações de treinamento otimizadas para cenários com robôs reais; ferramentas de avaliação offline; e um módulo de implantação em robôs reais com aceleração de compilação. O modelo também oferece versões com e sem profundidade, permitindo que as equipes escolham de acordo com suas necessidades.
Como um modelo de base incorporado, o LingBot-VLA foi pré-treinado com 20.000 horas de dados de robôs reais, abrangendo nove configurações comuns de robôs de dois braços. Ele possui capacidades de generalização entre diferentes modelos e tarefas. Tanto em avaliações com robôs reais quanto em simulações, ele supera o benchmark do setor π0,5 e passou por verificação em múltiplas máquinas com fabricantes como Lepu, Songling e Xinghai Tu.
O LingBot-VLA consegue realizar transferência de tarefas de alta qualidade com apenas 150 pontos de dados de demonstração. Graças à otimização profunda da base de código subjacente, sua eficiência de treinamento é de 1,5 a 2,8 vezes maior do que a de frameworks convencionais como StarVLA e OpenPI, reduzindo ainda mais os custos de dados e computação para a adaptação do modelo.
O repositório de código do LingBot-VLA agora está disponível como código aberto no GitHub (github.com/Robbyant/lingbot-vla), e os pesos do modelo estão disponíveis no Hugging Face e no ModelScope.
Artigo relacionado
A integração profunda do ChatGPT dá acesso a 300 mil filmes e séries de TV por meio de conversas
À medida que os serviços de streaming saturam o mercado com conteúdo infinito, ajudar os usuários a filtrar o excesso de informação para encontrar o que realmente desejam tornou-se um grande desafio p
Como otimizar os Core Web Vitals para melhorar a classificação em SEO
Transforme seu fluxo de trabalho de edição de vídeo com transcrições geradas por IAÍndice:IntroduçãoPrincipais vantagens da transcrição automatizadaGarantindo a precisão e refinando o resultadoAprovei
O DingTalk reformula sua arquitetura com o MuleRun da AliAI, dando início à era dos agentes completos
O novo CEO do DingTalk e chefe da Unidade de Negócios Wukong, Chen Yusen, revelou uma grande reestruturação organizacional em um memorando interno divulgado nesta tarde. Com a criação do Departamento
Recomendações de tópicos especiais relacionados
Comentários (0)

A Lingbo Technology, empresa de robótica pertencente ao Ant Group, anunciou o lançamento completo em código aberto da cadeia de ferramentas de pós-treinamento para robôs reais destinada ao seu modelo de base incorporado, o LingBot-VLA. Essa cadeia de ferramentas permite que equipes de desenvolvimento adaptem rapidamente o LingBot-VLA aos seus próprios robôs e tarefas, utilizando seus próprios dados.
O número crescente de modelos de inteligência incorporada de código aberto ainda exige um extenso trabalho de adaptação para ser implantado em um robô específico. Diferenças nas configurações de braços robóticos, efetores finais, configurações de sensores e interfaces de controle significam que as equipes frequentemente precisam realizar um trabalho significativo de engenharia para a implantação em robôs reais. Esses fluxos de trabalho têm sido tipicamente mantidos como know-how interno e raramente foram totalmente disponibilizados como código aberto antes.
Esta versão atende às principais necessidades de adaptação para robôs reais em quatro etapas: ferramentas de processamento de dados que suportam a fusão de múltiplos conjuntos de dados do LeRobot e padronizam o mapeamento de dimensões das articulações; configurações de treinamento otimizadas para cenários com robôs reais; ferramentas de avaliação offline; e um módulo de implantação em robôs reais com aceleração de compilação. O modelo também oferece versões com e sem profundidade, permitindo que as equipes escolham de acordo com suas necessidades.
Como um modelo de base incorporado, o LingBot-VLA foi pré-treinado com 20.000 horas de dados de robôs reais, abrangendo nove configurações comuns de robôs de dois braços. Ele possui capacidades de generalização entre diferentes modelos e tarefas. Tanto em avaliações com robôs reais quanto em simulações, ele supera o benchmark do setor π0,5 e passou por verificação em múltiplas máquinas com fabricantes como Lepu, Songling e Xinghai Tu.
O LingBot-VLA consegue realizar transferência de tarefas de alta qualidade com apenas 150 pontos de dados de demonstração. Graças à otimização profunda da base de código subjacente, sua eficiência de treinamento é de 1,5 a 2,8 vezes maior do que a de frameworks convencionais como StarVLA e OpenPI, reduzindo ainda mais os custos de dados e computação para a adaptação do modelo.
O repositório de código do LingBot-VLA agora está disponível como código aberto no GitHub (github.com/Robbyant/lingbot-vla), e os pesos do modelo estão disponíveis no Hugging Face e no ModelScope.
A integração profunda do ChatGPT dá acesso a 300 mil filmes e séries de TV por meio de conversas
À medida que os serviços de streaming saturam o mercado com conteúdo infinito, ajudar os usuários a filtrar o excesso de informação para encontrar o que realmente desejam tornou-se um grande desafio p
Como otimizar os Core Web Vitals para melhorar a classificação em SEO
Transforme seu fluxo de trabalho de edição de vídeo com transcrições geradas por IAÍndice:IntroduçãoPrincipais vantagens da transcrição automatizadaGarantindo a precisão e refinando o resultadoAprovei
O DingTalk reformula sua arquitetura com o MuleRun da AliAI, dando início à era dos agentes completos
O novo CEO do DingTalk e chefe da Unidade de Negócios Wukong, Chen Yusen, revelou uma grande reestruturação organizacional em um memorando interno divulgado nesta tarde. Com a criação do Departamento











