OpenPI项目中FAST Tokenizer的DCT系数展平方法解析
2025-06-26 07:53:10作者:薛曦旖Francesca
在Physical-Intelligence实验室开源的OpenPI项目中,其核心组件FAST Tokenizer采用了一种创新的动作序列编码方法。该方法通过离散余弦变换(DCT)将时间序列动作数据转换到频域,其中DCT系数的展平顺序对模型性能具有重要影响。
DCT系数展平的技术实现
在动作序列处理过程中,FAST Tokenizer会将原始动作序列(维度为动作维度×时间步长)通过DCT转换为频域表示。技术实现中需要注意两个关键点:
-
矩阵维度表示差异:代码实现中使用的是[时间步长×动作维度]的矩阵排列,而论文图示展示的是[动作维度×时间步长]的布局。这种表示差异源于论文需要与左侧频率分量图示(低频到高频从左到右)保持视觉一致性。
-
展平顺序选择:无论矩阵如何排列,核心原则是确保所有低频分量优先出现在展平后的序列中。在代码实现中,这通过行优先(row-first)的展平方式达成,使得所有动作维度的最低频分量首先出现在展平序列里。
技术原理深度解析
DCT变换在动作序列处理中具有显著优势:
- 能量压缩特性:能够将动作信号的能量集中在少数低频系数中
- 去相关性:消除动作维度间的时间相关性
- 频域表征:提供更紧凑的动作模式表示
展平顺序的设计考量:
- 保持频率分量连续性:确保从低频到高频的渐进过渡
- 跨维度一致性:同一频率分量在不同动作维度上保持对齐
- 模型优化友好:有利于后续的token化处理和模型训练
工程实践建议
在实际应用中,开发者需要注意:
- 矩阵维度约定:明确采用[时间步长×动作维度]的排列方式
- 展平顺序一致性:严格保持行优先的展平顺序
- 频率分量验证:可通过可视化确认低频分量确实优先出现
这种设计经过严格验证,能够确保模型获得最优的动作表征能力,是FAST Tokenizer高效处理动作序列的关键技术之一。理解这一技术细节有助于开发者正确实现和优化动作token化流程。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~050CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
178
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
866
513

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
261
302

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K