LLM IK

Lösen inverser Kinematik mit großen Sprachmodellen

Dieses Repository dient zum Erstellen und Testen der inversen Kinematiklösungen, die von Großsprachmodellen (LLMs) für kinematische Ketten mit einem einzigen "Endeffektor" erzeugt wurden.

Merkmale

• Kann URDF -Dateien laden.
• Unterstützt sowohl chat- als auch api-basierte LLMs.
• Kann in fünf Modi lösen.
  • Normal: Versucht direkt, die Kette zu lösen.
  • Erweitern: Versucht, eine vorhandene Lösung für ein Ketten -One -Glied zu erweitern, das kleiner als der Strom ist.
  • Dynamisch: Versucht, die Lösung bereits gelöste Unterketten abzubauen.
  • Kumulativ: Wie dynamisch, aber alle möglichen gelösten Sub-Ketten übergeben.
  • Übertragung: Versucht, die Lösung für eine Position und einen Orientierungslöser aus einer Position nur Löser zu stützen.
• Modellmodelle, bei denen teurere Modelle aus den Lösungen billigerer Modelle ausdehnen oder dynamisch erstellen können.

Aufstellen

1. Empfohlen: Erstellen Sie eine virtuelle Umgebung python3 -m venv .venv .
   • Aktivieren Sie die virtuelle Umgebung.
     • Windows: .venvScriptsactivate.bat .
     • Linux: .venvScriptsactivate.ps1 .
     • MAC: source .venv/bin/activate .
2. Installieren Sie alle Anforderungen mit pip install -r requirements.txt .
3. Wenn Sie Ihre eigenen Experimente durchführen, wird empfohlen, alle Ordner in diesem Projekt zu löschen, mit Ausnahme der Robots oder Models und den Ordnern Providers , wenn Sie einige der gleichen Roboter oder LLMs wie wir verwenden möchten.
4. Stellen Sie im Root -Verzeichnis sicher, dass ein Ordner mit dem Namen Robots vorhanden ist, und platzieren Sie die URDF -Dateien der Roboter, die Sie sich im Inneren verwenden möchten.
5. Stellen Sie im Root -Verzeichnis sicher, dass ein Ordner mit dem Namen Models vorhanden ist, und platzieren Sie alle Ihre LLM -Spezifikationsdateien, die Sie im Abschnitt "Modelle" verwenden möchten.
6. Optional: Diese Schritte gelten nur, wenn Sie openAI -API -kompatible APIs verwenden möchten.
   • Stellen Sie im Root -Verzeichnis sicher, dass ein Ordner namens Providers vorhanden ist, und platzieren Sie Ihre openAI -API -kompatiblen Spezifikationsdateien, die Sie in dem Abschnitt "Anbieter" detailliert verwenden möchten.
   • Stellen Sie im Root -Verzeichnis sicher, dass ein Ordner mit dem Namen Keys vorhanden ist, und erstellen Sie .txt -Dateien mit dem Namen der OpenAI -API -kompatiblen Spezifikationsdateien im Ordner Providers und fügen Sie die entsprechenden API -Schlüssel in die einzelnen ein.
7. Führen Sie llm_ik mit den Parametern aus, die im Nutzungsabschnitt beschrieben sind.
8. Zeigen Sie die Ergebnisse im Results im Root -Verzeichnis an.

Modelle

• Modelle werden in .txt -Dateien im Ordner " Models im Stammverzeichnis" angegeben.
• Der Name der Datei wird in den Ergebnissen angezeigt.
• Jede Zeile der Datei enthält Informationen zur Datei, wobei nur die erste Zeile für Nicht-API-Modelle benötigt wird.

Format

1. Wenn es sich bei dem Modell um ein Argumentationsmodell handelt oder nicht, angegeben entweder durch True oder False und defasiert zu False . Wenn nicht ein Argumentationsmodell, enthält die Eingabeaufforderungen eine Erklärung, um "Schritt für Schritt zu denken und alle Ihre Arbeiten zu zeigen", um einige Vorteile aus dem Gedankenkettenketten zu erzielen. Andernfalls wird dies weggelassen, da die Argumentation bereits einen solchen Prozess intern durchführt.
2. Der Name des "Anbieters" des Modells ist der Name der OpenAI -API -kompatiblen Spezifikationsdatei (ohne die .txt -Erweiterung), die aus dem Ordner Providers verwendet werden soll. Weitere Informationen finden Sie im Abschnitt Anbieter, um diese Dateien selbst zu konfigurieren.
3. Die Eingabekosten pro Token dieses Modells. Bei nicht spezifiziertem Modell kann dieses Modell nicht von anderen API -Modellen vererbt werden.
4. Die Ausgangskosten pro Token dieses Modells. Bei nicht spezifiziertem Modell kann dieses Modell nicht von anderen API -Modellen vererbt werden.
5. Wenn dieses Modell die Funktion unterstützt, die über die OpenAI -API aufgerufen wird, die entweder durch True oder False angegeben ist und festgelegt ist, ob sein Anbieter Funktionen unterstützt. Dies ist nützlich, da einige Anbieter, wie z. B. OpenRouter, Funktionsaufruf unterstützt, aber nicht alle Modelle, die sie auch anbieten, um eine Option zur Durchführung einer Überschreibung pro Model zu bieten. Wenn der Anbieter jedoch keine Funktionsaufrufe unterstützt und dies auf True festgelegt ist, überschreibt die Konfiguration des Anbieters dies auf False , sodass dies nur zum Deaktivieren von Funktionsaufrufen verwendet und nicht aktiviert werden kann. Wenn dies False ist, werden der Eingabeaufforderung zusätzliche Details hinzugefügt, sodass Modelle weiterhin Methoden aufrufen können, nur nicht über die OpenAI -API -Funktionen, und stattdessen wird die reguläre Nachrichtenantwort analysiert.
6. Der API -Name, der für dieses Modell verwendet wird. Wenn es weggelassen wird, wird der Dateiname (ohne die .txt -Erweiterung) verwendet.

Anbieter

• OpenAI -API -kompatible Anbieter werden in .txt -Dateien im Ordner Providers im Stammverzeichnis angegeben.

Format

1. Der API -Endpunkt des Anbieters.
2. Wenn dieses Modell die Funktion unterstützt, die über die OpenAI -API aufgerufen wird, die entweder durch True oder False angegeben ist und sich gegen False versiegt. Wenn der Anbieter Methoden unterstützt, ein Modell jedoch nicht wie im Abschnitt "Modelle" erläutert wird, wird dies nur für dieses Modell zu False geschrieben.

Verwendung

Argumente

• -r oder --robots -Die Namen der Roboter. None , die alle Roboter -URDF -Dateien in den Robots -Ordner laden.
• -m oder --max -Die maximale Kettenlänge zu laufen. Standardeinstellungen zu 0 , was bedeutet, dass es keine Begrenzung gibt.
• -o oder --orientation -Wenn wir zusätzlich zur Position für die Orientierung lösen möchten. Standardmäßig True .
• -t oder --types -der höchste Lösungsart zum Ausführen. Standardeinstellungen zu Transfer , was bedeutet, dass alle ausgeführt werden.
• -f oder --feedbacks -die maximale Häufigkeit, um Feedback zu geben. Standardeinstellung auf 5 .
• -e oder --examples -die Anzahl der Beispiele, die mit Feedbacks geben können. Standardeinstellung auf 10 .
• -a oder --training -Die Anzahl der Trainingsmuster. Standardeinstellung auf 1000 .
• -v oder --evaluating -die Anzahl der Bewertungsproben. Standardeinstellung auf 1000 .
• -s oder --seed -die Probenerzeugungsamen. Standardeinstellungen zu 42 .
• -d oder --distance -Der akzeptable Entfernungsfehler. Standardeinstellung auf 0.001 .
• -n oder --angle -Der akzeptable Winkelfehler. Standardeinstellung auf 0.001 .
• -c oder --cwd -Das Arbeitsverzeichnis. Standardmäßig None , die das aktuelle Arbeitsverzeichnis erhält.
• -l oder --logging -Die Protokollierungsstufe. Standardeinstellungen zu INFO .
• -w oder --wait -wie lange Sie zwischen API -Anrufen warten. Standardeinstellung auf 1 Sekunde.
• -u oder --run -Flag -Aktivieren Sie die API.
• -b oder --bypass -Flag -Umgehen Sie die Bestätigung für das Laufen von API.

Manuelles Chat

• Wenn Sie sich nach dem Laufen manuell mit einem LLM unterhalten, suchen Sie im Ordner Interactions , bis Sie den Roboter, das Modell und die Lösung finden, nach denen Sie suchen.
• Kopieren Sie den letzten X-Prompt.txt , X-Feedback.txt , X-Forward.txt oder X-Test.txt in Ihre Chat-Schnittstelle und warten Sie auf eine Antwort, bei der X eine Nummer ist.
  • Kopieren Sie die gesamte Antwort, nicht nur den Code. Das Programm sucht nach einem Python -Code -Block, um aus der Antwort zu extrahieren. Wenn Sie diesen Code manuell extrahieren, erkennt das Programm ihn nicht.
• Sobald eine Antwort empfangen wurde, erstellen Sie eine Textdatei mit dem Namen X-Response.txt , wobei X die nächste Nummer für den Chat-Verlauf ist und das Programm erneut ausführen. Wiederholen Sie den vorherigen Schritt und dies, bis eine Datei namens X-Done.txt erscheint, wo X eine Nummer ist.