外观
Skip to content
概述
这个模型的核心架构、动作空间设计与真机部署定位。
Neural MP 是面向机器人操作任务的机器学习运动规划系统，仓库提供其模型权重。它结合在大规模仿真数据上训练的神经网络与轻量级优化技术，用于生成高效、无碰撞的轨迹，并被设计为可泛化到多样环境和障碍物配置，适用于仿真和真实机器人应用。
模型输入为 3D 点云以及 Franka 机器人的起始与目标关节角，输出 7-DoF 关节增量动作。仓库提供 NeuralMP 包装类用于推理和真实部署，并给出基于 Manimo Franka 控制库的部署示例；Manimo 不是必需项，也可通过继承 FrankaRealEnv 的包装类接入其他 Franka 控制库。检查点和代码库采用 MIT License。
关键参数与架构规格
参数量、网络主干、控制频率、显存需求及 Hugging Face Hub 统计。
- 网络架构
- LeRobot / PyTorch Policy Network
- 动作空间表示
- 连续关节位置/末端位姿动作空间
- 支持数据格式
- SafeTensors
暂未公开或待收录：参数量 · 微调显存需求 · 闭环控制频率
快速部署与许可说明
开源许可证、权重拉取命令、预训练数据集与关联文章。
代码许可证
mit
权重许可证
mit
权重下载与策略推理参考
# 1. 从 Hugging Face Hub 下载模型权重与配置
huggingface-cli download mihdalal/NeuralMP --local-dir ./checkpoints/mihdalal-neuralmp
# 2. 使用 LeRobot / Transformers 加载策略开展真机或仿真闭环推理
python -m lerobot.scripts.eval --policy.path=mihdalal/NeuralMP关联机型
模型卡或论文声明在这些机器人上训练、微调或部署过；口径是作者声明，不是第三方复现。
没有已核实的适配记录。
同家族模型
同一家族里的热门模型。
JiRackUltra_1bCMSManhattan/JiRackUltra_1b3 天前JEV-9Bautotrust/JEV-9B17 天前RynnBrain1.1-2BAlibaba-DAMO-Academy/RynnBrain1.1-2B1 个月前JiRackPrecisionTokenizerCMSManhattan/JiRackPrecisionTokenizer1 个月前microduck-policiespollen-robotics/microduck-policies16 天前MolmoAct2-SO100_101allenai/MolmoAct2-SO100_1015 个月前
来源
本页事实对应的公开页面，以原文为准。
- Hugging Face mihdalal/NeuralMP访问 2026-10-21