open-poporo-vla
open-poporo-vla
AI视觉
⭐⭐⭐☆☆ (3/5)
🧩 软硬件结合
已发布
项目简介
开源VLA模型，运行于自有硬件，边缘AI，真实机器人数据，无需云端。
开源视觉-语言-动作模型，可在用户实际拥有的硬件上运行。边缘AI、真实机器人数据，无需云端。与硬件使命相同：能干的机器人不应依赖数据中心。开发中...
项目特点
**生物接地架构**：将四种灵长类皮层神经生物学机制直接映射到计算框架，每个架构决策都有神经科学实证基础
**smolVLA 骨干网络**：约450M参数，在消费级CPU上实现50Hz+推理速率，LIBERO基准测试达80.3%
**技能卡带系统**：每个技能仅需约20MB存储，支持热插拔和组合，无需重新加载完整模型
**主动抑制机制**：通过DGMoE实现硬二进制专家选择，模拟大脑主动抑制不相关神经通路
**共享子空间学习**：基于LoRAC的QR分解，确保技能子空间正交性，防止灾难性遗忘
**任务信念预测**：V-JEPA 2提供预测性世界模型，在动作执行前预调下游运动表征
**小脑式运动修正**：Residual RL/PLD提供精细运动校正，实现接触丰富的精确操作
**边缘AI友好**：设计在消费者级硬件上运行，无需云端依赖
技术规格
| 骨干网络 | |
|---|---|
| 参数量 | |
| 视觉令牌 | |
| Transformer加速 | |
| 动作头 | |
| 目标推理速率 | |
| LIBERO基准 | |
| 技能卡带大小 | |
| 完整模型大小 | |
| 测试平台 | |
| 许可证 |
项目资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| SO-ARM101 双臂机器人 | 1 | — | 主要测试平台，需自行组装 |
| 消费级CPU/GPU计算机 | 1 | — | 支持50Hz+推理 |
| 摄像头 | 2+ | — | 用于视觉输入 |
| 伺服电机 | 12+ | — | 双臂各6自由度 |
| 3D打印外壳和连接件 | 1套 | — | 机器人结构 |
| 机器人电源系统 | 1 | — | 根据电机规格选择 |
所需工具
| 工具 | 用途 | 是否必需 |
|---|---|---|
| 3D打印机 | 打印机器人结构件和外壳 | ✅ 是 |
| 焊台 | 焊接电子元件和连接器 | ✅ 是 |
| 螺丝刀套装 | 组装机器人硬件 | ✅ 是 |
| 万用表 | 电路调试和测试 | ▢ 推荐 |
| 示波器 | 信号分析（高级调试） | ▢ 推荐 |
| 计算机 | 训练和推理运行 | ✅ 是 |
| GPU（可选） | 加速模型训练 | ▢ 推荐 |
能力画像
记忆与知识检索
逻辑推演
表达与交流
感知与观察
数理与计算
动手与操作
狂热与坚持
创造与创新
项目图库
所需技能
🔧 **动手能力**：需要组装和调试双臂机器人硬件（SO-ARM101），包括3D打印结构件、焊接电路、连接伺服电机和传感器
💻 **编程能力**：需要Python编程经验，熟悉PyTorch深度学习框架，理解Transformer架构、MoE、LoRA等概念，能够训练和微调VLA模型
⚡ **电子电路**：需要基本的电路知识，能够连接传感器和执行器，调试机器人控制系统
适用场景
**微工厂自动化**：在小型装配环境中实现双臂协作操作，如PCB插入、零件组装等精密任务
**机器人技能学习研究**：作为研究平台，探索组合式持续学习、灾难性遗忘防止、生物启发式机器人控制
**边缘AI机器人**：在消费级硬件上运行的高级机器人控制，无需云端依赖，适合隐私敏感或网络受限场景
**神经科学验证**：将灵长类皮层机制的计算模型在真实机器人上验证，桥接神经科学与机器人学
**教育研究**：作为高级机器人学和人工智能交叉领域的教学和研究平台