このチュートリアルでは、MolmoActをステップバイステップで解説し、視覚的な観測から空間内で推論できる行動推論モデルの仕組みを実践的に理解します。環境をセットアップし、モデルを読み込み、複数視点の画像入力を準備し、MolmoActが自然言語の指示から、深度に対応した推論、視覚トレース、そして実行可能なロボット出力をどのように生成するのかを探ります。 […]
記事「深度に対応した空間推論、視覚的トラジェクトリ・トレース、ロボットの行動予測のためのMolmoActのコーディング実装」は、MarkTechPostに初めて掲載されました。
