Cogact Small

🚀 CogACT-Small

CogACTは、VLMから派生した新しい高度なVLAアーキテクチャです。以前の研究では、単純なアクション量子化によってVLMをアクション予測にそのまま転用していましたが、我々はVLMの出力に基づく専用のアクションモジュールを持つコンポーネント化されたVLAアーキテクチャを提案しています。CogACT-Smallは、アクションモジュールとしてDiT-Sモデルを採用しています。

我々のコードと事前学習済みモデルの重みはすべて、MITライセンスの下で提供されています。

詳細については、プロジェクトページと論文を参照してください。

🚀 クイックスタート

CogACTは、言語命令と単一視点のRGB画像を入力として受け取り、次の16個の正規化されたロボットアクション（「x, y, z, roll, pitch, yaw, gripper」の形式の7自由度のエンドエフェクターの変位から構成される）を予測します。これらのアクションは、我々の「Adaptive Action Ensemble」（オプション）によって非正規化され、統合される必要があります。非正規化と統合は、データセットの統計情報に依存します。

CogACTモデルは、Open-X事前学習ミックスで見られるセットアップのロボットをゼロショットで制御するために使用できます。また、非常に少量のデモンストレーションで新しいタスクやロボットセットアップに対して微調整することもできます。詳細については、我々のリポジトリを参照してください。

✨ 主な機能

• コンポーネント化されたVLAアーキテクチャを採用し、VLMの出力に基づく専用のアクションモジュールを持つ。
• 事前学習済みモデルを使用して、ゼロショットでロボットを制御できる。
• 少量のデモンストレーションで新しいタスクやロボットセットアップに対して微調整できる。

📦 インストール

# リポジトリをクローンし、依存関係をインストールしてください
# 最小限の依存関係（`torch`, `transformers`, `timm`, `tokenizers`など）をインストールします

💻 使用例

基本的な使用法

# Please clone and install dependencies in our repo
# Install minimal dependencies (`torch`, `transformers`, `timm`, `tokenizers`, ...)

from PIL import Image
from vla import load_vla
import torch

model = load_vla(
      'CogACT/CogACT-Small',
      load_for_training=False,
      action_model_type='DiT-S',
      future_action_window_size=15,
    )                                 
# about 30G Memory in fp32; 

# (Optional) use "model.vlm = model.vlm.to(torch.bfloat16)" to load vlm in bf16

model.to('cuda:0').eval()

image: Image.Image = <input_your_image>
prompt = "move sponge near apple"           # input your prompt

# Predict Action (7-DoF; un-normalize for RT-1 google robot data, i.e. fractal20220817_data)
actions, _ = model.predict_action(
          image,
          prompt,
          unnorm_key='fractal20220817_data', # input your unnorm_key of dataset
          cfg_scale = 1.5,                   # cfg from 1.5 to 7 also performs well
          use_ddim = True,                   # use DDIM sampling
          num_ddim_steps = 10,               # number of steps for DDIM sampling
        )

# results in 7-DoF actions of 16 steps with shape [16, 7]

📚 ドキュメント

モデルの概要

📄 ライセンス

本プロジェクトはMITライセンスの下で公開されています。

引用

@article{li2024cogact,
  title={CogACT: A Foundational Vision-Language-Action Model for Synergizing Cognition and Action in Robotic Manipulation},
  author={Li, Qixiu and Liang, Yaobo and Wang, Zeyu and Luo, Lin and Chen, Xi and Liao, Mozheng and Wei, Fangyun and Deng, Yu and Xu, Sicheng and Zhang, Yizhong and others},
  journal={arXiv preprint arXiv:2411.19650},
  year={2024}
}