跨具身泛化魔法gr00t17-lerobot-libero_goal-640 的 embodiment 映射表如何实现一脑多体【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640在具身智能领域跨具身泛化是通往通用机器人的核心难题一个模型学会的技能能否迁移到构型完全不同的机器人身上NVIDIA 开源的gr00t17-lerobot-libero_goal-640给出了教科书级的答案——它通过一张精妙的embodiment 映射表把几十种机器人的身体差异折叠进统一的动作空间实现了真正的一脑多体。本文面向新手用通俗语言拆解这张映射表的设计思想看完你就能明白为什么同一个大脑能同时指挥机械臂、轮式机器人和双足人形。为什么一脑多体这么难机器人之间的差异远不止长得不一样这么简单差异维度具体表现自由度不同7 轴机械臂 vs 全身 20 关节的人形机器人观测不同相机视角、本体状态向量的维度和含义各不相同动作不同关节角、末端位姿、夹爪开合表达方式五花八门传统方案是一机一模型每换一台机器人就要重新采集数据、重新训练。而跨具身基础模型的思路截然相反——先定义一个通用身体坐标系再让所有机器人都往里面对号入座。gr00t17-lerobot-libero_goal-640 正是这一思路的落地实现。认识主角gr00t17-lerobot-libero_goal-640 这个模型是 NVIDIAGR00T N1.7约 3B 参数在LIBERO-Goal 仿真数据集上的微调版本使用 LeRobot 工具链完成训练20,000 步、batch 320、AdamW、学习率 1e-4采用 Apache-2.0 开源协议。它的技术底座很有看头视觉-语言主干Cosmos-Reason2 / Qwen3-VL负责看懂图像和语言指令动作生成器Flow-matching 动作变换器仅 4 步去噪即可生成动作一次输出 16 步动作块跨具身能力继承自 GR00T N1.7 基础模型的统一动作空间设计模型的输入输出非常标准见 config.json特征类型形状observation.images.image主相机图像(256, 256, 3)observation.images.wrist_image腕部相机图像(256, 256, 3)observation.state本体状态(8,)action输出动作(7,)embodiment 映射表藏在哪里️答案藏在 policy_preprocessor.json 中名为groot_n1_7_pack_inputs_v1的预处理步骤里。这个文件定义了两件关键的事embodiment_tag本模型对应的具身标签是libero_simLIBERO 仿真embodiment_mapping一张包含约 50 条记录的身体地图把每种机器人标签映射到一个编号节选如下具身标签代表的机器人统一空间编号simpler_env_googleGoogle 机械臂0simpler_env_widowxWidowX 机械臂1libero_simLIBERO 仿真本模型2droid_simDROID 仿真数据集3robocasa_panda_omronRoboCasa 仿真Panda 臂13oxe_droidDROID 真实机器人17oxe_fractalGoogle Fractal 数据18oxe_language_tableLanguage Table 桌面机械臂19oxe_bridgeBridge 数据集机械臂20gr1_unifiedFourier GR1 人形机器人20xdof多自由度XDof平台24unitree_g1_full_body_with_waist_height_nav_cmd宇树 G1 人形机器人25agibot智元 AgiBot 机器人26real_r1_pro_sharpaR1 Pro 人形机器人27 这张表本身就是一脑多体魔法的开关所在。一张表如何实现一脑多体三步拆解 ⚙️第 1 步定义统一的身体坐标系GR00T 系列模型规定了一个132 维的统一状态空间和 132 维的统一动作空间即配置中的max_state_dim: 132、max_action_dim: 132。无论真实机器人是 8 维状态还是 30 维状态推理时都会放进这个 132 维的大容器里。第 2 步用映射表给每台机器人安家embodiment 映射表中的编号就是每台机器人在统一空间中的坐标。libero_sim对应编号 2意味着 LIBERO 机器人的 8 维状态和 7 维动作被安放在统一向量中以编号 2 为起点的区域。有趣的是不同机器人可以共享编号比如oxe_bridge和gr1_unified都是 20——因为一次推理只会面对一种机器人槽位重叠不会造成冲突却能让模型复用相近的身体布局表示这正是跨具身泛化的巧思。第 3 步统一推理再解包还原模型在统一空间里完成动作预测后还需要一个翻译步骤把结果还原成具体机器人的动作这就是 policy_postprocessor.json 中groot_action_unpack_unnormalize_v2的职责env_action_dim: 7从 132 维统一动作中解包出 7 维 LIBERO 动作libero_gripper_action / libero_gripper_binarize针对 LIBERO 夹爪做专门的二值化处理配套的归一化还原把动作变回机器人真实可执行的数值范围完整数据流可以概括为图像 语言指令 8 维状态 → 按映射表打包进统一空间 → 视觉语言模型理解任务 → flow-matching 生成 16 步动作 → 按映射解包 → 7 维动作驱动 LIBERO 机器人训练侧的完整参数数据集、优化器、学习率调度等都记录在 train_config.json 中想复现实验的读者可以直接对照查阅。快速上手在仿真中体验一脑多体想亲手验证这套机制只需安装 LeRobot 并执行一次 rolloutlerobot-rollout \ --strategy.typebase \ --robot.typeyour_robot_type \ --policy.pathnvidia/gr00t17-lerobot-libero_goal-640 \ --taskyour_task_description \ --duration60也可以先把仓库镜像克隆到本地研究配置git clone https://gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640⚠️ 注意相机名称必须与模型训练时的观测键image、wrist_image保持一致否则预处理阶段无法正确打包输入。总结映射表的本质是什么✨gr00t17-lerobot-libero_goal-640 的 embodiment 映射表本质上是用一个空间布局问题替代了换机器人就要重训的困境。它让模型把身体差异当作一种可以打表查询的属性身体不同换一个槽位即可大脑不变、技能不变。这正是跨具身泛化最优雅的地方——当所有机器人都能在同一张映射表里对号入座时一脑多体就不再是科幻而是可以 clone 下来、跑通实验的现实能力。从 policy_preprocessor.json 里的几十个具身标签可以看到这张地图还在不断扩展未来或许真的会有一张控制所有机器人的通用大脑。【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
跨具身泛化魔法gr00t17-lerobot-libero_goal-640 的 embodiment 映射表如何实现一脑多体【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640在具身智能领域跨具身泛化是通往通用机器人的核心难题一个模型学会的技能能否迁移到构型完全不同的机器人身上NVIDIA 开源的gr00t17-lerobot-libero_goal-640给出了教科书级的答案——它通过一张精妙的embodiment 映射表把几十种机器人的身体差异折叠进统一的动作空间实现了真正的一脑多体。本文面向新手用通俗语言拆解这张映射表的设计思想看完你就能明白为什么同一个大脑能同时指挥机械臂、轮式机器人和双足人形。为什么一脑多体这么难机器人之间的差异远不止长得不一样这么简单差异维度具体表现自由度不同7 轴机械臂 vs 全身 20 关节的人形机器人观测不同相机视角、本体状态向量的维度和含义各不相同动作不同关节角、末端位姿、夹爪开合表达方式五花八门传统方案是一机一模型每换一台机器人就要重新采集数据、重新训练。而跨具身基础模型的思路截然相反——先定义一个通用身体坐标系再让所有机器人都往里面对号入座。gr00t17-lerobot-libero_goal-640 正是这一思路的落地实现。认识主角gr00t17-lerobot-libero_goal-640 这个模型是 NVIDIAGR00T N1.7约 3B 参数在LIBERO-Goal 仿真数据集上的微调版本使用 LeRobot 工具链完成训练20,000 步、batch 320、AdamW、学习率 1e-4采用 Apache-2.0 开源协议。它的技术底座很有看头视觉-语言主干Cosmos-Reason2 / Qwen3-VL负责看懂图像和语言指令动作生成器Flow-matching 动作变换器仅 4 步去噪即可生成动作一次输出 16 步动作块跨具身能力继承自 GR00T N1.7 基础模型的统一动作空间设计模型的输入输出非常标准见 config.json特征类型形状observation.images.image主相机图像(256, 256, 3)observation.images.wrist_image腕部相机图像(256, 256, 3)observation.state本体状态(8,)action输出动作(7,)embodiment 映射表藏在哪里️答案藏在 policy_preprocessor.json 中名为groot_n1_7_pack_inputs_v1的预处理步骤里。这个文件定义了两件关键的事embodiment_tag本模型对应的具身标签是libero_simLIBERO 仿真embodiment_mapping一张包含约 50 条记录的身体地图把每种机器人标签映射到一个编号节选如下具身标签代表的机器人统一空间编号simpler_env_googleGoogle 机械臂0simpler_env_widowxWidowX 机械臂1libero_simLIBERO 仿真本模型2droid_simDROID 仿真数据集3robocasa_panda_omronRoboCasa 仿真Panda 臂13oxe_droidDROID 真实机器人17oxe_fractalGoogle Fractal 数据18oxe_language_tableLanguage Table 桌面机械臂19oxe_bridgeBridge 数据集机械臂20gr1_unifiedFourier GR1 人形机器人20xdof多自由度XDof平台24unitree_g1_full_body_with_waist_height_nav_cmd宇树 G1 人形机器人25agibot智元 AgiBot 机器人26real_r1_pro_sharpaR1 Pro 人形机器人27 这张表本身就是一脑多体魔法的开关所在。一张表如何实现一脑多体三步拆解 ⚙️第 1 步定义统一的身体坐标系GR00T 系列模型规定了一个132 维的统一状态空间和 132 维的统一动作空间即配置中的max_state_dim: 132、max_action_dim: 132。无论真实机器人是 8 维状态还是 30 维状态推理时都会放进这个 132 维的大容器里。第 2 步用映射表给每台机器人安家embodiment 映射表中的编号就是每台机器人在统一空间中的坐标。libero_sim对应编号 2意味着 LIBERO 机器人的 8 维状态和 7 维动作被安放在统一向量中以编号 2 为起点的区域。有趣的是不同机器人可以共享编号比如oxe_bridge和gr1_unified都是 20——因为一次推理只会面对一种机器人槽位重叠不会造成冲突却能让模型复用相近的身体布局表示这正是跨具身泛化的巧思。第 3 步统一推理再解包还原模型在统一空间里完成动作预测后还需要一个翻译步骤把结果还原成具体机器人的动作这就是 policy_postprocessor.json 中groot_action_unpack_unnormalize_v2的职责env_action_dim: 7从 132 维统一动作中解包出 7 维 LIBERO 动作libero_gripper_action / libero_gripper_binarize针对 LIBERO 夹爪做专门的二值化处理配套的归一化还原把动作变回机器人真实可执行的数值范围完整数据流可以概括为图像 语言指令 8 维状态 → 按映射表打包进统一空间 → 视觉语言模型理解任务 → flow-matching 生成 16 步动作 → 按映射解包 → 7 维动作驱动 LIBERO 机器人训练侧的完整参数数据集、优化器、学习率调度等都记录在 train_config.json 中想复现实验的读者可以直接对照查阅。快速上手在仿真中体验一脑多体想亲手验证这套机制只需安装 LeRobot 并执行一次 rolloutlerobot-rollout \ --strategy.typebase \ --robot.typeyour_robot_type \ --policy.pathnvidia/gr00t17-lerobot-libero_goal-640 \ --taskyour_task_description \ --duration60也可以先把仓库镜像克隆到本地研究配置git clone https://gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640⚠️ 注意相机名称必须与模型训练时的观测键image、wrist_image保持一致否则预处理阶段无法正确打包输入。总结映射表的本质是什么✨gr00t17-lerobot-libero_goal-640 的 embodiment 映射表本质上是用一个空间布局问题替代了换机器人就要重训的困境。它让模型把身体差异当作一种可以打表查询的属性身体不同换一个槽位即可大脑不变、技能不变。这正是跨具身泛化最优雅的地方——当所有机器人都能在同一张映射表里对号入座时一脑多体就不再是科幻而是可以 clone 下来、跑通实验的现实能力。从 policy_preprocessor.json 里的几十个具身标签可以看到这张地图还在不断扩展未来或许真的会有一张控制所有机器人的通用大脑。【免费下载链接】gr00t17-lerobot-libero_goal-640项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/gr00t17-lerobot-libero_goal-640创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
