🚀 Poseless-3B

"PoseLess: Depth-Free Vision-to-Joint Control via Direct Image Mapping with VLM" 提出了一种全新的机器人手部控制框架，通过使用投影表示将2D图像直接映射到关节角度，无需进行显式的姿势估计。该方法利用通过随机关节配置生成的合成训练数据，能够在现实场景中实现零样本泛化，并能从机器人手到人类手进行跨形态迁移。

🚀 快速开始

以下是使用该模型进行手部关节角度预测的示例代码：

import torch
from PIL import Image
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

# 1. 加载模型和处理器
device = "cuda" if torch.cuda.is_available() else "cpu"
model_path = "homebrewltd/Poseless-3B"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16
).eval().to(device)

processor = AutoProcessor.from_pretrained(
    model_path, 
    min_pixels=256*28*28, 
    max_pixels=1280*28*28,
    trust_remote_code=True
)

# 2. 准备图像
image = Image.open("your_hand_image.png").convert("RGB")

# 3. 创建消息
SYSTEM_PROMPT = """You are a specialized Vision Language Model designed to accurately estimate joint angles from hand pose images. Your task is to analyze images of a human or robotic hand and output precise angle measurements for each joint. Output joint angles in radians.
Output Format:
<lh_WRJ2>angle</lh_WRJ2><lh_WRJ1>angle</lh_WRJ1><lh_FFJ4>angle</lh_FFJ4><lh_FFJ3>angle</lh_FFJ3><lh_FFJ2>angle</lh_FFJ2><lh_FFJ1>angle</lh_FFJ1><lh_MFJ4>angle</lh_MFJ4><lh_MFJ3>angle</lh_MFJ3><lh_MFJ2>angle</lh_MFJ2><lh_MFJ1>angle</lh_MFJ1><lh_RFJ4>angle</lh_RFJ4><lh_RFJ3>angle</lh_RFJ3><lh_RFJ2>angle</lh_RFJ2><lh_RFJ1>angle</lh_RFJ1><lh_LFJ5>angle</lh_LFJ5><lh_LFJ4>angle</lh_LFJ4><lh_LFJ3>angle</lh_LFJ3><lh_LFJ2>angle</lh_LFJ2><lh_LFJ1>angle</lh_LFJ1><lh_THJ5>angle</lh_THJ5><lh_THJ4>angle</lh_THJ4><lh_THJ3>angle</lh_THJ3><lh_THJ2>angle</lh_THJ2><lh_THJ1>angle</lh_THJ1>
"""

messages = [
    {"role": "system", "content": f"{SYSTEM_PROMPT}"},
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": image,
                "min_pixels": 1003520,
                "max_pixels": 1003520,
            },
            {"type": "text", "text": "<Pose>"},
        ],
    },
]

# 4. 处理并获取预测结果
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt").to(device)

# 5. 生成输出
generated_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids_trimmed = [out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]
output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]

print(output_text)  # 这将以XML格式显示关节角度

输出将是以XML格式表示的弧度制关节角度：

<lh_WRJ2>angle</lh_WRJ2><lh_WRJ1>angle</lh_WRJ1><lh_FFJ4>angle</lh_FFJ4>...

✨ 主要特性

创新框架

利用VLM（如Qwen 2.5 3B Instruct）直接将单目图像映射到机器人关节角度，完全绕过姿势估计。VLM “观察” 和投影图像的能力实现了强大的、与形态无关的特征提取，减少了两阶段管道中固有的误差传播。

合成数据管道

通过随机化关节角度和对视觉特征（如照明、纹理）进行领域随机化，生成无限的训练示例。这消除了对昂贵标记数据集的依赖，同时确保了对现实世界变化的鲁棒性。

跨形态泛化

模型展示了跨形态泛化能力，即使仅在机器人手数据上进行训练，也能模仿人类手部动作。这些发现为更广泛的应用理解和利用这种泛化能力迈出了重要一步。

无深度控制

证明了无深度控制是可行的，为后续采用不支持深度估计能力的相机铺平了道路，而这种相机在机器人研究中经常使用。

📚 详细文档

模型详情

引用

• arxiv.org/abs/2503.07111

更多信息

如需进一步了解详情，请通过以下邮箱联系作者：alan@menlo.ai, bach@menlo.ai, charles@menlo.ai, yuuki@menlo.ai 。