Poseless 3B

🚀 Poseless-3B

"PoseLess: Depth-Free Vision-to-Joint Control via Direct Image Mapping with VLM" 提出了一種全新的機器人手部控制框架，通過使用投影表示將2D圖像直接映射到關節角度，無需進行顯式的姿勢估計。該方法利用通過隨機關節配置生成的合成訓練數據，能夠在現實場景中實現零樣本泛化，並能從機器人手到人類手進行跨形態遷移。

🚀 快速開始

以下是使用該模型進行手部關節角度預測的示例代碼：

import torch
from PIL import Image
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

# 1. 加載模型和處理器
device = "cuda" if torch.cuda.is_available() else "cpu"
model_path = "homebrewltd/Poseless-3B"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16
).eval().to(device)

processor = AutoProcessor.from_pretrained(
    model_path, 
    min_pixels=256*28*28, 
    max_pixels=1280*28*28,
    trust_remote_code=True
)

# 2. 準備圖像
image = Image.open("your_hand_image.png").convert("RGB")

# 3. 創建消息
SYSTEM_PROMPT = """You are a specialized Vision Language Model designed to accurately estimate joint angles from hand pose images. Your task is to analyze images of a human or robotic hand and output precise angle measurements for each joint. Output joint angles in radians.
Output Format:
<lh_WRJ2>angle</lh_WRJ2><lh_WRJ1>angle</lh_WRJ1><lh_FFJ4>angle</lh_FFJ4><lh_FFJ3>angle</lh_FFJ3><lh_FFJ2>angle</lh_FFJ2><lh_FFJ1>angle</lh_FFJ1><lh_MFJ4>angle</lh_MFJ4><lh_MFJ3>angle</lh_MFJ3><lh_MFJ2>angle</lh_MFJ2><lh_MFJ1>angle</lh_MFJ1><lh_RFJ4>angle</lh_RFJ4><lh_RFJ3>angle</lh_RFJ3><lh_RFJ2>angle</lh_RFJ2><lh_RFJ1>angle</lh_RFJ1><lh_LFJ5>angle</lh_LFJ5><lh_LFJ4>angle</lh_LFJ4><lh_LFJ3>angle</lh_LFJ3><lh_LFJ2>angle</lh_LFJ2><lh_LFJ1>angle</lh_LFJ1><lh_THJ5>angle</lh_THJ5><lh_THJ4>angle</lh_THJ4><lh_THJ3>angle</lh_THJ3><lh_THJ2>angle</lh_THJ2><lh_THJ1>angle</lh_THJ1>
"""

messages = [
    {"role": "system", "content": f"{SYSTEM_PROMPT}"},
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": image,
                "min_pixels": 1003520,
                "max_pixels": 1003520,
            },
            {"type": "text", "text": "<Pose>"},
        ],
    },
]

# 4. 處理並獲取預測結果
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt").to(device)

# 5. 生成輸出
generated_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids_trimmed = [out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]
output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]

print(output_text)  # 這將以XML格式顯示關節角度

輸出將是以XML格式表示的弧度制關節角度：

<lh_WRJ2>angle</lh_WRJ2><lh_WRJ1>angle</lh_WRJ1><lh_FFJ4>angle</lh_FFJ4>...

✨ 主要特性

創新框架

利用VLM（如Qwen 2.5 3B Instruct）直接將單目圖像映射到機器人關節角度，完全繞過姿勢估計。VLM “觀察” 和投影圖像的能力實現了強大的、與形態無關的特徵提取，減少了兩階段管道中固有的誤差傳播。

合成數據管道

通過隨機化關節角度和對視覺特徵（如照明、紋理）進行領域隨機化，生成無限的訓練示例。這消除了對昂貴標記數據集的依賴，同時確保了對現實世界變化的魯棒性。

跨形態泛化

模型展示了跨形態泛化能力，即使僅在機器人手數據上進行訓練，也能模仿人類手部動作。這些發現為更廣泛的應用理解和利用這種泛化能力邁出了重要一步。

無深度控制

證明了無深度控制是可行的，為後續採用不支持深度估計能力的相機鋪平了道路，而這種相機在機器人研究中經常使用。

📚 詳細文檔

模型詳情

引用

• arxiv.org/abs/2503.07111

更多信息

如需進一步瞭解詳情，請通過以下郵箱聯繫作者：alan@menlo.ai, bach@menlo.ai, charles@menlo.ai, yuuki@menlo.ai 。