HPT
HPT（异构预训练 Transformer）是一个专为机器人策略学习设计的开源框架，旨在解决不同形态机器人（如机械臂、四足机器人等）之间数据难以通用、模型需从头训练的痛点。它通过监督学习在多种具身数据集上进行预训练，将不同机器人的感知与动作映射到统一的潜在空间，从而实现“一次预训练，多处微调”。
这意味着开发者无需为每个新任务或新机器人重新训练庞大的模型，只需加载 HPT 提供的预训练权重并进行少量微调，即可快速适应新环境。该方法显著提升了策略学习的扩展性与效率，尤其适合机器人学研究人员、AI 工程师以及希望探索大模型在具身智能中应用的开发者使用。
HPT 的核心亮点在于其“异构”设计：它能处理来自不同传感器配置和控制结构的多样化数据，并验证了 Transformer 架构在策略学习中的缩放规律。项目基于 PyTorch 构建，提供完整的训练、评估脚本及 Hugging Face 预训练模型，支持 MetaWorld 等主流基准测试，同时也鼓励用户接入自有数据集进行定制开发。作为 NeurIPS 2024 Spotlight 论文成果，HPT 为构建通用机器人智能体提供了坚实的技术基础。
使用场景
某机器人研发团队正致力于让一台机械臂快速掌握在复杂家庭环境中执行“整理桌面”、“倒水”等 20 种不同任务的能力。
没有 HPT 时
- 数据孤岛严重：每种任务（如抓取杯子或折叠衣物）都需要单独采集大量专属演示数据，无法利用其他任务的现有数据，导致数据采集成本极高。
- 训练从零开始：为每个新任务训练策略网络时都必须从头初始化参数，模型难以理解不同物体和操作之间的共性，收敛速度极慢。
- 泛化能力薄弱：模型在面对未见过的物体形状或光照变化时表现僵硬，稍微调整环境设置就需要重新微调甚至重训。
- 扩展性差：随着任务数量增加，需要维护数十个独立的模型文件，算力资源浪费严重且部署维护困难。
使用 HPT 后
- 数据混合复用：HPT 将不同形态的机器人和任务数据对齐到共享潜在空间，团队可以直接混合使用公开数据集和自有数据进行预训练，大幅减少新任务的数据需求。
- 继承通用智能：直接加载 HPT 预训练的 Transformer 主干网络作为策略核心，模型已具备基础的运动理解和空间推理能力，新任务仅需少量微调即可快速收敛。
- 跨任务泛化强：得益于异构数据的联合训练，HPT 能自动提取跨任务的通用特征，使机械臂在面对新物体或干扰时表现出更强的鲁棒性和适应性。
- 统一架构扩展：所有任务共享同一个可扩展的 Transformer 架构，只需调整输入提示即可切换任务，显著降低了多任务系统的部署复杂度。
HPT 通过构建统一的异构预训练底座，彻底改变了机器人策略学习“一事一训”的低效模式，实现了真正的规模化智能迁移。
运行环境要求
- Linux
需要 NVIDIA GPU（依赖 CUDA），具体型号和显存未说明，需安装 CUDA 驱动并配置 LD_LIBRARY_PATH
未说明
快速开始
🦾 异构预训练Transformer
Lirui Wang, Xinlei Chen, Jialiang Zhao, Kaiming He
神经信息处理系统会议（Spotlight），2024年
这是一个用于预训练异构预训练Transformer（HPT）的PyTorch实现。预训练过程在包含多种具身数据集的混合数据上，采用监督学习目标进行训练。预训练过程可能需要一些时间，因此我们也在下方提供了预训练检查点。您可以在我们的项目页面上找到更多详细信息。Hugging Face中HPT的另一种简洁实现也可以在此处找到这里。
简而言之： HPT将不同的具身模态对齐到一个共享的潜在空间，并研究策略学习中的可扩展性行为。只需在您的策略中加入一个可扩展的Transformer，无需从头开始训练！
⚙️ 设置
pip install -e .
安装（旧版本）Mujoco
mkdir ~/.mujoco
cd ~/.mujoco
wget https://mujoco.org/download/mujoco210-linux-x86_64.tar.gz -O mujoco210.tar.gz --no-check-certificate
tar -xvzf mujoco210.tar.gz
# 如有需要，将以下行添加到~/.bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:${HOME}/.mujoco/mujoco210/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export MUJOCO_GL=egl
🚶 使用方法
- 查看
quickstart.ipynb以了解如何使用预训练的HPT。 python -m hpt.run在每个环境中训练策略。添加+mode=debug以进行调试。bash experiments/scripts/metaworld/train_test_metaworld_1task.sh test test 1 +mode=debug为示例脚本。- 更改
train.pretrained_dir以加载预训练的主干Transformer。该模型可以从本地检查点文件夹或Hugging Face的仓库中加载。 - 运行以下脚本以进行Mujoco实验。
Metaworld 20任务实验
bash experiments/scripts/metaworld/train_test_metaworld_20task_finetune.sh hf://liruiw/hpt-base
🤖 在您自己的数据集上尝试
- 对于训练，需要使用
convert_dataset函数来打包您自己的数据集。请参阅此以获取示例。 - 对于评估，需要为每个基准测试编写一个
rollout_runner.py文件，以及一个提供轨迹的learner_trajectory_generator评估函数。 - 如果需要，可以修改配置，以更改模型中的感知茎网络和动作头网络。请参阅
realrobot_image.yaml以获取现实世界中的示例脚本。 - 添加
dataset.use_disk=True以将数据集保存并加载到磁盘。
💽 检查点
您可以在这里找到预训练的HPT检查点。目前我们提供以下模型版本：
| 模型 | 大小 |
|---|---|
| HPT-XLarge | 226.8M 参数 |
| HPT-Large | 50.5M 参数 |
| HPT-Base | 12.6M 参数 |
| HPT-Small | 3.1M 参数 |
| HPT-Base (带语言) | 50.6M 参数 |
💾 文件结构
├── ...
├── HPT
| ├── data # 缓存的数据集
| ├── output # 训练好的模型和图表
| ├── env # 环境包装器
| ├── hpt # 模型训练和数据集源代码
| | ├── models # 网络模型
| | ├── datasets # 数据集相关
| | ├── run # 迁移学习主循环
| | ├── run_eval # 评估主循环
| | └── ...
| ├── experiments # 训练配置
| | ├── configs # 模块化配置
└── ...
🕹️ 引用
如果您在研究中发现HPT很有用，请考虑引用：
@inproceedings{wang2024hpt,
author = {Lirui Wang, Xinlei Chen, Jialiang Zhao, Kaiming He},
title = {利用异构预训练Transformer扩展本体感觉-视觉学习},
booktitle = {NeurIPS},
year = {2024}
}
联系方式
如果您有任何问题，请随时通过电子邮件（liruiw@mit.edu）与我联系。祝您使用愉快！
常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。