CALVIN: 一个突破性的语言条件策略学习基准

RayRay
CALVIN机器人操控语言模型长期任务开源基准Github开源项目

CALVIN简介

CALVIN(Composing Actions from Language and Vision)是一个开创性的开源模拟基准,旨在学习长期语言条件任务。它的目标是使开发能够从机载传感器解决多种复杂机器人操作任务,并且仅通过人类语言指定的代理成为可能。CALVIN任务在序列长度、动作空间和语言方面比现有的视觉和语言任务数据集更为复杂,并支持灵活配置传感器套件。

CALVIN基准的核心目标是评估长期语言条件连续控制策略的学习。在这种设置下,单个代理必须通过理解一系列无约束的语言表达来解决复杂的操作任务,例如"打开抽屉...拿起蓝色块...现在把块推入抽屉...现在打开滑动门"。CALVIN提供了一个评估协议,通过选择不同的传感器套件组合和训练环境数量,提供了不同难度的评估模式。

CALVIN概览

CALVIN的主要特点

  1. 多样化的传感器观察

CALVIN支持一系列常用于视觉运动控制的传感器:

  • 静态摄像机RGB图像(200x200x3)
  • 静态摄像机深度图(200x200)
  • 抓取器摄像机RGB图像(84x84x3)
  • 抓取器摄像机深度图(84x84)
  • 触觉图像(120x160x6)
  • 本体感知状态(包括末端执行器位置、方向、抓取器宽度、关节位置等)

这种多样化的传感器套件使得研究人员能够探索不同感知模态对于语言条件策略学习的影响。

  1. 灵活的动作空间

为了给研究人员和从业者提供实验不同动作空间的自由,CALVIN支持以下动作空间:

  • 绝对笛卡尔姿态
  • 相对笛卡尔位移
  • 关节动作

这种灵活性允许研究人员探索不同动作表示对于长期任务执行的影响。

  1. 长期多任务语言控制

CALVIN基准的核心是评估长期语言条件连续控制策略的学习。在这种设置下,单个代理必须通过理解一系列无约束的语言表达来解决复杂的操作任务。这种长期、多步骤的任务序列比传统的单步骤指令执行更具挑战性。

  1. 开源数据集和基准

CALVIN提供了一个大规模的开源数据集,包含了丰富的机器人操作演示和相应的语言注释。这使得研究人员能够训练和评估他们的模型,推动语言条件机器人控制的研究进展。

  1. 灵活的评估协议

CALVIN提供了一个灵活的评估协议,允许研究人员通过选择不同的传感器套件组合和训练环境数量来创建不同难度的评估模式。这种灵活性使得研究人员能够全面评估他们的模型在不同条件下的性能。

使用CALVIN

快速开始

要开始使用CALVIN,首先需要克隆仓库并安装依赖:

git clone --recurse-submodules https://github.com/mees/calvin.git export CALVIN_ROOT=$(pwd)/calvin cd $CALVIN_ROOT conda create -n calvin_venv python=3.8 conda activate calvin_venv sh install.sh

然后下载数据集:

cd $CALVIN_ROOT/dataset sh download_data.sh D | ABC | ABCD | debug

训练基线代理

可以使用以下命令训练基线模型:

cd $CALVIN_ROOT/calvin_models/calvin_agent python training.py datamodule.root_data_dir=/path/to/dataset/ datamodule/datasets=vision_lang_shm

CALVIN支持多GPU训练,可以通过指定GPU数量来自动使用分布式数据并行(DDP)训练:

python training.py trainer.gpus=-1

评估

CALVIN提供了两种评估模式:

  1. 长期多任务语言控制(LH-MTLC):
cd $CALVIN_ROOT/calvin_models/calvin_agent python evaluation/evaluate_policy.py --dataset_path <PATH/TO/DATASET> --train_folder <PATH/TO/TRAINING/FOLDER>
  1. 多任务语言控制(MTLC):
python evaluation/evaluate_policy_singlestep.py --dataset_path <PATH/TO/DATASET> --train_folder <PATH/TO/TRAINING/FOLDER>

CALVIN的影响和意义

CALVIN作为一个突破性的语言条件策略学习基准,在推动机器人学习和自然语言处理交叉领域的研究方面具有重要意义:

  1. 促进长期任务规划: CALVIN通过提供长期、多步骤的任务序列,推动了机器人长期任务规划和执行的研究。这对于开发能够执行复杂、连续任务的智能机器人系统至关重要。

  2. 语言理解与执行: CALVIN强调了将自然语言指令转化为具体机器人动作的重要性,推动了自然语言处理和机器人控制的深度融合。

  3. 多模态学习: 通过提供多种传感器观察和灵活的动作空间,CALVIN鼓励研究人员探索多模态学习策略,以提高机器人的感知和操作能力。

  4. 标准化评估: CALVIN提供了一个标准化的评估协议,使得不同的研究方法可以在相同的基准上进行比较,促进了领域内的公平竞争和快速进展。

  5. 开源生态: 作为一个开源项目,CALVIN促进了研究社区的合作和知识共享,加速了语言条件机器人控制领域的整体发展。

结论

CALVIN作为一个开创性的语言条件策略学习基准,为机器人学习和自然语言处理的交叉研究提供了宝贵的资源和工具。它通过提供复杂的长期任务、多样化的传感器观察和灵活的评估协议,推动了能够理解和执行自然语言指令的智能机器人系统的发展。随着越来越多的研究者和开发者加入CALVIN生态系统,我们有理由期待在语言条件机器人控制领域看到更多突破性的进展。

CALVIN不仅是一个技术工具,更是一个推动机器人与人类更好交互的重要步骤。通过使机器人能够理解和执行复杂的语言指令,CALVIN为未来人机协作的新范式铺平了道路。随着研究的不断深入,我们可以期待看到更多智能、灵活且易于与人类合作的机器人系统的出现,这将为制造业、医疗保健、家庭服务等多个领域带来革命性的变革。

在GitHub上查看CALVIN项目

CALVIN的发展离不开研究社区的共同努力。如果您发现CALVIN对您的研究有帮助,请考虑引用相关论文并为项目做出贡献。让我们共同推动语言条件机器人控制的前沿,创造一个机器人能够无缝理解和执行人类指令的未来。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多