Hugging Face 上 toniotgz/act_pick_box:基于 ACT 的 SO-101 抓取盒子策略
Hugging Face Hub 上线 toniotgz/act_pick_box,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,在 so_follower 机器人上执行“从桌上拿起盒子”任务。
Hugging Face Hub 上线 toniotgz/act_pick_box,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,在 so_follower 机器人上执行“从桌上拿起盒子”任务。
Hugging Face 用户 TheBobTheBlob 发布 act_so101_pickplace_v1,这是一个用 LeRobot 训练并上传至 Hub 的 ACT(Action Chunking with Transformers)模仿学习策略,从遥操作数据中学习预测短动作块。
Hugging Face 上 fanqi-robo 发布 π0.5 微调消融实验 insert_gear_in_gripper 的 expert_only 变体。
Hugging Face 用户 castanetnicolas 发布基于 ACT 模仿学习方法的 UR5e 抓取放置策略,使用 LeRobot 0.6.1 训练并推送至 Hub。
Hugging Face 上发布了一个基于 ACT(Action Chunking with Transformers)的 UR5e 抓取放置策略,用 LeRobot 0.6.1 训练并推送至 Hub。
Hugging Face 上发布 ResidentEvian/hf_act_recordpolicy0,这是一个用 LeRobot 0.6.2 训练的 ACT(Action Chunking with Transformers)模仿学习策略,机器人类型为 so_follower,输入 6 维状态与 480×640 前视图像,输出 6 维动作。
Hugging Face Hub 上线 karrlleereal/omx_act_policy5,这是一个用 LeRobot 训练并推送的 ACT(Action Chunking with Transformers)模仿学习策略,从遥操作数据中学习、预测短动作块而非单步动作。
Hugging Face 上发布 ssdunit/act_abc_sim_lego_sorting_100k,这是一个用 LeRobot 0.6.1 训练的 ACT 模仿学习策略,任务为 lego_blocks_sorting。
Hugging Face 上出现一个用 LeRobot 训练并推送至 Hub 的 ACT(Action Chunking with Transformers)模仿学习策略,它从遥操作数据学习,预测短动作块而非单步动作。该策略采用 apache-2.0 许可,可用 lerobot-train 从零训练,并用 lerobot-record 配合 so100_follower 机器人本体运行推理与评估。
alexhegit 在 Hugging Face 发布 SO-101 Lab01 抓放任务的 ACT 策略检查点,基于 yaw-aware agent v4 数据集训练,仅使用 15 维 observation.state 中的前 6 维关节位置。
Hugging Face 上发布了一个基于 ACT(Action Chunking with Transformers)的 UR5e 模仿学习策略,用 LeRobot 0.6.1 训练,任务是把方形螺母装到方形销上。该策略使用 100 条遥操作数据(24602 帧、20 FPS)训练 10 万步,输入两路 84×84 图像和 9 维状态,输出 7 维动作,目前尚未提供评测结果。
Hugging Face Hub 上线 Tridex/model_act_3cam_resnet_100K_29_09_v2,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,面向 so_follower 机器人,配 front、side、top 三路摄像头,输入 6 维状态、输出 6 维动作。
Hugging Face Hub 上线 pigProfessional/act_so101_stack_green,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,机器人类型为 so_follower,输入 6 维状态与前置、腕部两路 480×640 图像,输出 6 维动作。
Hugging Face Hub 上出现了一个用 LeRobot 训练的 ACT(Action Chunking with Transformers)模仿学习策略模型 lenawngr/ACT_SWITCH-2-bottom_half1_test,采用 apache-2.0 许可。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r03-mining-no-cf-divl,这是一个基于父代冻结扩散 actor 与分布式 DIVL critic 的状态型智能体,训练步数 150001,含 5 个随机种子检查点。
Hugging Face 在 Mulligan 项目下发布基于状态的 IDQL 智能体检查点 sim-square-narrow-r03,采用扩散 actor 加标量 IQL critic,训练步数 150001,覆盖 5 个随机种子。
Hugging Face 的 Mulligan 项目发布 sim-square-narrow-r03-mining-no-cf-idql,这是一个基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,包含 policy.pt 和 stats.json 归一化器。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r03-baseline-repair-r3roll-idql,是基于状态的 IDQL 智能体,含扩散 actor 与标量 IQL critic,提供 policy.pt 和 stats.json。
Mulligan 在 Hugging Face 发布基于状态的 IDQL 智能体 sim-square-narrow-r03-auto-plain-il-n1-idql,用于 sim-square-narrow 任务,包含 5 个随机种子、训练步数 150001 的 PyTorch 检查点。
Hugging Face 上的 Mulligan 组织发布 sim-square-narrow-r03-auto-iql-success-bc-n32-idql,这是一个基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,任务为 sim-square-narrow,训练步数 150001,含 5 个随机种子检查点。
Hugging Face 上的 Mulligan 组织发布 sim-square-narrow-r03-auto-iql-success-bc-n32-divl 检查点,这是一个基于状态的智能体,使用父级冻结扩散 actor 与分布式 DIVL critic,任务为 sim-square-narrow,训练步数 150001,含 5 个种子。
Hugging Face 上 Mulligan 组织发布 sim-square-narrow-r03-auto-iql-n32-idql,这是一个基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,任务为 sim-square-narrow,属 R3 轮次。
Hugging Face 上线 mulligan/sim-square-narrow-r03-auto-iql-n32-divl 模型仓库。该条目名称显示其与 sim-square-narrow 任务、auto-iql 方法及 n32 配置相关,具体性能与训练细节尚未在页面中披露。
Hugging Face 上线了名为 mulligan/sim-square-narrow-r03-auto-filtered-bc-n1-idql 的模型仓库。该页面未披露模型架构、参数规模、训练数据或评测结果等具体信息,仅以推进开源开放科学为宗旨说明。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r03-baseline-idql,为基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,含 policy.pt 和 stats.json。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r02-baseline-idql 基线检查点,为基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,含 policy.pt 和 stats.json。
Hugging Face 上发布了一个名为 krish5831/act_tissues_into_box 的 ACT 模仿学习策略,用 LeRobot 0.6.2 训练,可让 so_follower 机器人完成“把纸巾包放进盒子”的任务。
Hugging Face 上线扩散策略模型 bk912/dp_green_cube_to_box_clean_20k,用 LeRobot 0.6.2 训练,基于 50 条、38140 帧、30 FPS 的 so_follower 机器人数据,训练 20000 步、批量 32。
Hugging Face 上发布 turbovla_so101_bowls 策略,基于 LeRobot 0.6.1 训练,用于 SO-101 的 so_follower 本体,输入前顶与腕部两路 640×480 相机图像和 6 维状态,输出 6 维动作。
Hugging Face Hub 上线 K-vr/cube_stack3_Pi05_abs_batch8,这是基于 Physical Intelligence 的 π₀.₅ 视觉语言动作模型、用 LeRobot 0.6.1 微调并推送的机器人策略,基座为 lerobot/pi05_base。
东北大学 SV 机器人 SIG 的 Team TRON 在 Φ 硬件智能 ACT 训练竞赛中提交了 tavishh/robotarm:基于 phi_so101_cubes_cylinder_v1 数据集(120 条轨迹、66,873 帧、3 路相机)训练的 ACT(CVAE)策略,用于抓取方块或圆柱并放入盒中。
FaceMind脸谱心智提出 Ego-NeuroLoop 数据范式,同步采集 world camera、gaze、EEG、sEMG 四类信号,记录人类操作时"看哪里、准备做什么、肌肉怎么发力、反馈如何修正"的完整闭环。