RLDX-1

Le modèle utilise une architecture qu'RLWRLD appelle MSAT (Multi-Stream Action Transformer), qui donne à chaque modalité, vision, mouvement, couple et signaux tactiles, ainsi qu'à la mémoire, son propre flux de traitement au lieu de forcer tout à passer par un seul transformateur. Cette structure a été conçue pour répondre à cinq régimes de capacité issus du propre benchmark DexBench d'RLWRLD : diversité de saisie, précision spatiale, précision temporelle, précision de contact et conscience contextuelle. Des composants spécifiques gèrent chaque régime, y compris un modèle de vision-langage spécialisé pour les robots pour le raisonnement spatial, un module de mouvement pour le suivi d'objets en mouvement rapide, un module physique pour la détection de couple et de contact tactile, et un système de mémoire et de récupération pour des tâches multi-étapes.

RLDX-1 est entraîné sur des données de robot synthétiques (échelonnées d'environ 5x à partir d'un petit ensemble de téléopération) plus des données de démonstration humaine capturées à partir de mains humaines nues et redirigées vers des mains de robot, produisant plus de 200 démonstrations par heure. L'entraînement se déroule en trois étapes : pré-entraînement pour la manipulation générale à travers les incarnations, entraînement intermédiaire sur des plateformes cibles, y compris un humanoïde ALLEX et un bras de recherche Franka 3, et post-entraînement qui utilise un apprentissage par renforcement basé sur DAgger et conscient du progrès, ce qui, selon RLWRLD, permet à la politique finale de compléter des tâches environ 3x plus rapidement que l'apprentissage par imitation seul.

RLDX-1 est livré sous forme de trois points de contrôle de 8,1 milliards de paramètres, un modèle pré-entraîné général plus deux versions intermédiaires pour les plateformes ALLEX et DROID, avec des points de contrôle publics sur Hugging Face, du code sur GitHub, et un rapport technique sur arXiv. RLWRLD le compare à des modèles tels que GR00T N1.5/N1.6 et la famille pi-0 en simulation, et sur le benchmark OpenArm du monde réel, et rapporte des accélérations d'inférence allant jusqu'à 1,63x grâce à la compilation de graphes statiques et à la fusion d'opérateurs. Il est destiné aux chercheurs en robotique et aux fabricants industriels travaillant sur la manipulation agile plutôt qu'aux utilisateurs finaux.