ScaleDP

East China Normal University; Midea Group AI Research Center; Shanghai University; Beijing Innovation Center of Humanoid Robotics · 2024-09†

VAVATi 10M, S 33M, B 130M, L 457M, H 1Bdiffusion

将扩散策略Transformer从10M扩大到1B，报告了性能提升。

论文

分类: VA
类型: VA
发布: 2024-09†
机构: East China Normal University; Midea Group AI Research Center; Shanghai University; Beijing Innovation Center of Humanoid Robotics
权重公开: 未核实
参数: Ti 10M, S 33M, B 130M, L 457M, H 1B

主干LLM: 无
视觉编码器: 未注明
动作头: DiT式扩散Transformer (最大1B) (diffusion)
动作块: 未注明
控制频率: 未公开
架构原文摘要: DiT式扩散Transformer(AdaLN观测·时间步条件，无掩码self-attention)；6D动作(位置x·y·z，旋转roll·pitch·yaw) C步动作块(C未注明)；观测编码器未注明

预训练加速器: 不适用
预训练时长: 不适用
预训练步数·批量: 不适用
GPU·TPU-小时: 未公开
微调: 未公开（GPU·时间·epoch·步数·批量在论文·项目页面中均没有）
数据类型: 仿真·合成；真实机器人遥操作
数据规模: MetaWorld每任务20条演示;真实每任务100条轨迹(合上笔记本40条)
主要数据集: MetaWorld;自有Franka·UR5数据
任务·评估: MetaWorld 50项任务(3个种子);真实Franka 4项任务(Close Laptop, Flip Mug, Stack Cube, Place Tennis),双臂UR5 3项任务(网球装包、扫垃圾、双臂堆方块);相对DP-T MetaWorld +21.6%(项目页面),真实单臂+36.25%·双臂+75%(arXiv)/真实4项任务+22.5%(项目页面)
机器人: Franka(ZED相机2台)；UR5双臂(RealSense 3台)

核心特点: 将扩散策略Transformer从10M扩大到1B，报告了性能提升。虽是1B模型，却完全未公开训练计算量。
备注: 发布月份2024-09与arXiv ID前缀一致，但v1日期无法确认（†）。实际提升幅度在arXiv摘要和项目页面中不同，因此两者并列（已修正）。项目页面标注被ICRA 2025接收，代码为DexVLA GitHub链接，未找到权重。
核验: 已反映修正