MolmoSpaces: Platforma za novu eru robotike koja povezuje simulaciju, hvatanje i realni svijet

Ključne stavke:

• MolmoSpaces predstavlja veliki, otvoreni ekosistem za učenje u utjelovljenim sistemima, objedinjavajući preko 230.000 fizički simuliranih unutrašnjih scena, više od 130.000 modela objekata i preko 42 miliona anotiranih hvatova u jednom interoperabilnom okviru.
• Sistem je projektovan za vjerodostojnu, fizički utemeljenu simulaciju manipulacije i navigacije, s naglaskom na validaciju parametara fizike, robustnost hvatova i kontrolisanu evaluaciju generalizacije kroz MolmoSpaces-Bench.

Uvod

MolmoSpaces dolazi u trenutku kada polje umjetne inteligencije prelazi iz digitalnog u fizički svijet. Napredak u modelima koji uče iz velikih količina podataka traži paralelni napredak u podacima i okruženjima koja omogućavaju treniranje i ocjenu sposobnosti da se opća znanja prenesu u nove, nepoznate prostore. Tradicionalne simulacije često su bile premalo raznovrsne ili su koristile pojednostavljene pristupe hvatanju koji izbjegavaju kompleksnu interakciju kontakata. MolmoSpaces odgovara na taj deficit: umjesto "magije" hvatanja koje ignorira kontakte, postavlja se realnija baza sa validiranim fizičkim parametrima, širokom bibliotekom objekata i scenarija, te alatima za stvaranje, reproduciranje i mjerljivanje ponašanja robota u raznovrsnim uslovima. Povezivanjem velikog broja scena sa rigoroznim benchmarkom, ovaj projekt želi omogućiti istraživačima sistematično ispitivanje slabosti i snaga generalističkih politika, te mjerljiv prelaz sa simulacije na realne robote.

Šta je MolmoSpaces i zašto je važan

MolmoSpaces je otvoreni, sklopiv skup podataka i alata dizajniran za studij utemeljenog u prostoru u kojem roboti obavljaju zadatke manipulacije i navigacije. Umjesto da bude ograničen na jednu igru ili simulator, MolmoSpaces objedinjuje stotine hiljada scena i stotine hiljada objekata, sve dostupno u formatima pogodnim za različite fizičke engine-e i simulative. Ovakva skala nije samo brojka: ona omogućava istraživanjima da testiraju kako politike koje uče u raznolikim uvjetima zaista generaliziraju na nove sobe, drugačije rasporede, različite mase i materijale objekata, promjene osvjetljenja, i neočekivane semantičke varijacije u instrukcijama. Time se dobija instrument koji nije samo koristan za razvoj novih algoritama, nego i za identifikaciju i analizu specifičnih načina na koje ti algoritmi propadaju.

Fizička simulacija kao temelј

Centralna odluka dizajnera MolmoSpaces bila je prelazak sa pojednostavljenih, "magic grasp" pristupa na simulaciju potpomognutu stvarnim modelima fizike. U praksi to znači da se ne smatra da je objekt uhvaćen čim uđe u imaginarnu zonu oko gripa; naprotiv, koriste se engine-i poput MuJoCo-a i pažljivo validirani fizički parametri. Taj pristup odražava realnije interakcije kontakta, trenja i inercije, i time postavlja strože zahtjeve na politike koje uče da manipulišu predmetima.

Validacija parametara započinje provjerom masa i gustine krutih objekata: simulirane vrijednosti se uspoređuju s procjenama dobivenim od velikih jezičnih modela i priređuju se korekcije gustine prema potrebi. Kod artikuliranih objekata pristup je praktičniji i uključuje teleoperaciju kako bi se prilagodile karakteristike zglobova i gustine pokretnih dijelova, koristeći simulirani Franka FR3 kao referencu. Sam Franka model podliježe sistemskoj identifikaciji baziranoj na realnim trajektorijama pomjeranja i podizanja kocki s poznatim masama, što osigurava da manipulatorski model reagira vjerodostojno.

Priprema kolajdera i mreža za stabilne, kontaktno bogate simulacije također uključuje manuelnu anotaciju. Generisanje kolajder mesh-eva vrši se uz pomoć alata poput CoACD, dok se za veće poslužne površine—stolove, fioke i komode—preferiraju jednostavniji primitivni kolajderi kako bi se izbjegli problemi mesh-mesh sudara. Za manipulabilne objekte primjenjuje se konveksna dekompozicija za veću preciznost, dok se za male ili tanke dijelove opet vraćaju primitivni oblici radi stabilnosti simulacije.

MolmoSpaces-Bench: mjerenje generalizacije pod kontrolom

MolmoSpaces-Bench je sklop definicija i alata za rigoroznu evaluaciju generalističkih politika. Ono što ga izdvaja jeste fokus na sistematsku, kontrolisanu varijaciju jedne dimenzije dok se druge drže fiksnima, čime se omogućava detaljna distribucijska analiza. Umjesto isporuke jedne zbirne stope uspjeha, benchmark dopušta mjerenje ponašanja duž različitih osa: svojstva objekata (oblik, veličina, težina, artikulacija), konfiguracije prostora (višesobne prostorije, spratnost, stepen zagušenosti), složenost zadatka (od jednostavnog pick-and-place do hijerarhijskih zadataka), senzorne varijacije (rasvjeta, pozicije kamera), dinamički parametri (koeficijent trenja, masa), kao i semantička komponenta zadatka (način formulacije instrukcija).

Definicije zadataka obuhvataju osnovne manipulacijske vještine—podizanje, postavljanje, otvaranje i zatvaranje—kao i njihove kompozicije, pri čemu su eksplicitno uključeni ciljevi koji zahtijevaju navigaciju i spregu percepcije i manipulacije. Platforma omogućava instanciranje istih zadataka preko različitih simulatora, čime se može usporediti ponašanje modela na zajedničkoj osnovi.

Takav pristup daje mogućnost odgovora na pitanja koja su do sada bila teška za adresirati: kako masa objekta utiče na uspješnost hvata; koliko su politike osjetljive na promjene osvjetljenja ili zagućenost prostora; na koje načine formulacija prirodnog jezika u instrukciji uzrokuje promjenjivost u radu modela. MolmoSpaces-Bench također podržava sistematsko testiranje sim-to-real transfera kroz kontrolisano validacijsko okruženje u stvarnom svijetu.

Skala i porijeklo objekata i scena

MolmoSpaces objedinjuje dve ključne grupe izvora: prilagođene, pažljivo anotirane objekte i veliki fond modela izveden iz Objaverse-a. Iz THOR ekosistema je ekstrahovano i konvertovano više od 1.600 krutih objekata pogodne za hvatanje, raspoređenih u 134 kategorije, uz dodatno proširenje biblioteke artikuliranim kućanskim predmetima—frižiderima, rernama, mikrotalasnim pećnicama, mašinama za pranje suđa, vratima i drugim elementima gdje je nužno eksplicitno anotirati tip zgloba, osovinu, položaj i raspon kretanja. Tako se artikulacija više ne rješava ad-hoc trikovima simulatora, već je jasno definisana u assetima.

Za Objaverse pipeline početna točka su stotine hiljada modela. Proces filtracije obuhvata provjeru potpune metapodatke, validaciju da model predstavlja jedinstveni objekt, normalizaciju skale, provjeru kvaliteta tekstura, poređenje cross-renderer vjernosti putem CLIP sličnosti, ograničenja geometrije radi efikasnosti, i validaciju sposobnosti modela da bude receptakel. Kroz ove korake se od početnih ~625.000 zapisa dolazi do biblioteke od približno 129.000 kuriranih objekata, raspoređenih kroz oko 3.000 WordNet sinonima i podeljenih u skupove za treniranje, validaciju i testiranje. Za automatsko popunjavanje scena generisanih proceduralnim metodama, dodatni filteri daju skup od oko 92.000 objekata pogodnih za automatsko postavljanje.

Scene u MolmoSpaces dolaze iz više izvora i tvornih procesa: ručno modelirane okoline, pažljivo reproducirani digitalni blizanci stvarnih prostora, heuristička proceduralna generacija i LLM-podržana proceduralna konstrukcija. Time je obuhvaćen spektar od jednosobnih rukom sastavljenih scena do kompleksnih, automatski generiranih kuća i komercijalnih prostora sa desetak i više prostorija. Tipologija uključuje kuće, kancelarije, učionice, bolnice, muzeje i druge javne prostore, što omogućava ispitivanje politika u širokom nizu kontekstualnih scenarija.

Validacija scena i fizikalnih svojstava

Osiguravanje da scene i objekti ponašaju onako kako dizajneri očekuju zahtijeva niz automatskih i ručnih provjera. Za krute manipulabilne objekte primjenjuju se mali vanjski impulsi; objekti koji se ne pomaknu više od 2 cm smatraju se zaglavljenima i predmet su daljnjeg pregleda. Kod artikuliranih objekata provodi se test pomjeranja zglobova i odbacuju se modeli koji ne omogućavaju barem 60% raspona zgloba. Simulacije također detektuju probleme poput penetracija mreža i driftanja—u praksi više od 95% scena prolazi skup tih validacija.

Pored toga, generiraju se karte okupacije kako bi se identificirale bezkolizijske početne poze za robote, što je ključno za reproducibilnost pokusa. Ovakve provjere su temelj za stvaranje skupa scena koje su upotrebljive za automatizovane eksperimente i masovnu evaluaciju.

Skup hvatova (grasps) i njihova robustnost

Jedan od najimpozantnijih elemenata MolmoSpaces je veliki skup hvatova: preko 42 miliona šestostepenih (6-DoF) pozicija za hvatanje, raspoređenih preko 48.111 objekata. Broj hvatova po objektu može doseći i do hiljadu, a sve su generisane direktno iz MJCF geometrije korištenjem modela Robotiq-2F85 kao reprezentacije gripa.

Pri uzorkovanju hvatova primjenjuju se različite strategije da bi skup bio i raznovrstan i robustan. Hvatovi se grupišu u punom 6-DoF prostoru i odabiru uniformno po klasterima, uz preferencije za različite tačke kontakta—na primjer, sredina jastučića prsta za robusnije zahvate ili vrhovi prstiju za tanke elemente. Kod artikuliranih objekata uzorkovanje je ograničeno na listne komponente, najčešće ručke, dok hvatovi koji kolidiraju sa ne-listnim geometrijama bivaju odbačeni.

Robusnost se evaluira putem perturbacija: kruti hvatovi se testiraju pri slučajnim translacionim i rotacijskim odstupanjima kako bi se ocijenila stabilnost. Kod artikuliranih elemenata provjera uključuje aktuation feasibility test koji zahtijeva da se zglob može stabilno pomjeriti kroz najmanje 70% validnog raspona u obje smjerove, pri čemu se održava kontakt. Dodatna validacija se postiže simuliranom "lebdećom" Robotiq hvataljkom koja pokušava podignuti i otvarati/zatvarati objekte sa nasumično odabranih hvata.

Konačno, ovi hvatovi se mogu direktno ugraditi u scene kroz loader, a pripadajući pipeline za generisanje trajektorija omogućava reproducibilne demonstracije uvjetovane hvatanjem, što je korisno za stvaranje velikih datasetova demonstracija i za imitacijsko učenje.

Interoperabilnost i alati

MolmoSpaces je projektovan kao modularna i otvorena platforma. Osnovni formati uključuju MJCF i USD, čime je osigurana prenosivost između fizičkih engine-a kao što su MuJoCo, ManiSkill, i NVIDIA Isaac Lab/Sim. Konverzioni skripti i loaderi omogućavaju istraživačima da brzo prebace assete između sredina, dodaju vlastite robote i kontrolere, te reproduciraju eksperimentalne postavke.

Pored toga, platforma nudi alate za konverziju scena, integraciju hvatova i benchmark suite koji olakšavaju automatsko pokretanje i evaluaciju eksperimenata na velikoj skali. Teleoperacijski alati omogućavaju prikupljanje podataka iz realnog svijeta korištenjem mobilnih platformi poput Teledexa, što omogućava generisanje demonstracija pomoću telefona. Interfejs je kompatibilan s različitim embodiment setovima koji su razvijeni unutar istog ekosistema, uključujući DROID i CAP, bez potrebe za specijalnim konfiguracijama.

Primjene u istraživanju i industriji

MolmoSpaces otvara opsežan set mogućnosti za istraživače i praktičare. U akademskom kontekstu omogućava rigorozne studije transfera znanja, ispitivanje osjetljivosti modela na specifične faktore, i razvoj novih metoda za učenje manipulacije i međusobnu integraciju navigacije i manipulacije. Industrijski timovi mogu koristiti platformu za ubrzanje razvoja robota sposobnih za rad u heterogenim domaćim i komercijalnim okruženjima, testiranje novih kontrolera i procjenu performansi prije implementacije na fizičke robote.

Značajna dimenzija je i ubrzanje dataset creation procesa: omogućavanje reproducibilnih demonstracija i gotovih hvatova olakšava prikupljanje visokokvalitetnih trenirajućih primjera za imitacijsko učenje i reinforcement learning u realističnim uvjetima.

Praćenje performansi, pristranosti i zagušenja

S obzirom na veličinu i raznolikost podataka, MolmoSpaces omogućava analize koje otkrivaju nejednakosti i pristranosti u treninzima. Na primjer, moguće je ispitati da li politike favorizuju često viđene objekte (object-frequency bias) ili su osjetljive na formulaciju instrukcija (prompt fragility). Benchmark omogućava izolaciju faktora kako bi se odvojeno mjerili efekti zagućenosti prostora, promjene dinamike ili promjene semantičkog cilja.

Takve studije su ključne za razvoj pouzdanijih i pravednijih sistema koji se očekuju da djeluju u stvarnim, često nepredvidivim okruženjima.

Kako početi: resursi i podrška

MolmoSpaces je objavljen kao otvoreni resurs sa kompletnom dokumentacijom, kodom i datasetima. Resursi uključuju tehnički izvještaj koji objašnjava metode i odluke dizajna, dataset repozitorij sa assetima i scenama, kao i GitHub repozitorij s alatima za konverziju i loadere. Također je dostupan demo okruženje koje omogućava brzo isprobavanje nekih scenarija i uvida u funkcionalnosti platforme.

Za istraživače koji žele integrisati vlastite robote ili kontrolere postoje upute za dodavanje novih embodimenta i za korištenje USD konverzije radi interoperabilnosti. Teleoperacija i prikupljanje demonstracija podržani su putem standardiziranih interfejsa, čime se omogućava stvaranje stvarno-świјetskih validacionih setova.

Etika, ograničenja i budući izazovi

Otvoreni i sveobuhvatni sistemi poput MolmoSpaces nose i odgovornost. Količina podataka i raznolikost scena može olakšati stvaranje robusnijih modela, ali ne garantuje njihovu sigurnost ili etičnost u svim kontekstima. Prijenos sa simulacije na realni svijet i dalje zahtijeva pažljivu validaciju, posebno u slučajevima gdje pogreške predstavljaju rizik po ljude ili imovinu.

Osim toga, prikupljanje i korištenje velikih biblioteka modela iz javnih izvora nameće pitanja izvornosti podataka, autorskih prava i reprezentativnosti. Potrebna je transparentnost u metapodacima i u dokumentaciji o tome kako su objekti i scene odabrani i filtrirani.

Inženjerski izazovi ostaju u optimizaciji performansi pri velikoj skali, smanjenju troškova simulacijskih eksperimenata i poboljšanju realističnosti kontakata kod složenih materijala i deformabilnih objekata—područja koja MolmoSpaces postavlja kao sljedeće korake za istraživačku zajednicu.

Potencijal za sim-to-real transfer i reproducibilnost

Jedan od najjačih argumenata za MolmoSpaces jest sposobnost da se sistematskim eksperimentima kvantificira kako diverzitet treninga utiče na prenosivost performansa u realne robote. Korištenjem validiranih fizičkih parametara, velikog broja scena i standardizovanih benchmark definicija, platforma nudi okruženje u kojem se može jasno pratiti koje varijable doprinose uspjehu ili neuspjehu pri transferu.

Reproducibilnost je dodatno osigurana kroz otvorenost formata, dostupnost MJCF i USD fajlova, kao i korpus alata koji omogućavaju replikaciju eksperimenata na različitim simulatorima. To olakšava kolaborativno istraživanje i provođenje usporednih studija među timovima širom svijeta.

Primjeri istraživačkih pitanja koja MolmoSpaces čini izvedivima

MolmoSpaces omogućava postavljanje i odgovor na konkretna, do sada teško dostupna, istraživačka pitanja. Među njima su: kako varijacije u masi objekta utiču na strategiju hvatanja u modelima koji ne koriste eksplicitne modele mase; u kojoj mjeri naleti, poput promjene koeficijenta trenja, degradiraju performanse završavanja zadatka; koliko su politike osjetljive na redoslijed i način formulacije instrukcija; kako se hijerarhijski zadaci mogu efikasno razložiti i trenirati u prisutnosti vizuelnih i taktilnih šuma; i koje vrste augmentacija scene najviše poboljšavaju sim-to-real transfer.

Odgovori na takva pitanja mogu direktno utjecati na dizajn robota u industrijskim primjenama, povećavajući sigurnost i učinkovitost u okolnostima koje se brzo mijenjaju.

Praktični savjeti za istraživače koji koriste MolmoSpaces

Za timove koji tek započinju s MolmoSpaces, preporučljivo je početi s manjim podskupovima scena i objekata kako bi se razumjela osjetljivost na parametre fizike prije skaliranja eksperimenata. Alati za filtraciju i selekciju iz biblioteke omogućavaju stvaranje kontroliranih distribucija za trening i testiranje. Također, korištenje MolmoSpaces-Bench za definisanje jasnih eksperimentnih osovina pomaže u preciznom definiranju hipoteza i interpretaciji rezultata.

Teleoperacijski podaci i demonstracije mogu brzo obogatiti trening skupove, ali je važno imati standardizirane procedure za snimanje i anotaciju kako bi se osigurala konzistentnost. Pored toga, preporučuje se paralelna validacija na realnim robotima tamo gdje je to moguće, kako bi se identificovale ključne razlike između simuliranih i stvarnih interakcija.

Česta pitanja:

Pitanje: Šta tačno sadrži MolmoSpaces i kako su organizovani objekti i scene? Odgovor: MolmoSpaces sadrži više komponenti: kuriranu biblioteku objekata predstavljenu u MJCF i USD formatima, kompletne scene s fizikom koje pokrivaju stotine hiljada unutrašnjih prostora, i opsežan skup hvatova označenih u 6-DoF. Objekti su proizašli iz kombinacije THOR izvora i selekcije iz Objaverse-a, gdje su modeli prošli niz provjera kvaliteta, skaliranja i semantičke validacije. Scene su dobivene ručnim modeliranjem, reprodukcijom digitalnih blizanaca i proceduralnom generacijom, te su temeljito validirane putem simulacija i pravila pomicanja.

Pitanje: Kako MolmoSpaces osigurava da su fizički parametri i ponašanje objekata vjerodostojni? Odgovor: Validacija fizike uključuje usporedbu simuliranih masa i gustina s procjenama, tuning artikulacija teleoperacijom i sistemskom identifikacijom na Franka FR3 modelu, te manualnu pripremu i anotaciju kolajdera. Kolaјder mesh-evi su generisani alatima poput CoACD, a receptakulni i manipulabilni objektni dijelovi su oblikovani s primitivnim kolajderima ili konveksnom dekompozicijom ovisno o potrebama stabilnosti simulacije.

Pitanje: Šta je MolmoSpaces-Bench i čime se razlikuje od drugih benchmarka? Odgovor: MolmoSpaces-Bench je okvir koji omogućava sistematsko ispitivanje generalizacije kroz kontrolisanu varijaciju jedne ili više dimenzija eksperimenta dok se ostale drže fiksnima. Za razliku od benchmarka koji izvještavaju jedinstvenu agregatnu metriku, MolmoSpaces-Bench pruža višedimenzionalnu analizu performansi duž osa kao što su svojstva objekata, konfiguracije prostora, dinamičke vrijednosti i semantičke varijante zadatka, omogućavajući otkrivanje out-of-distribution propusta.

Pitanje: Kako su generisani i testirani hvatovi u MolmoSpaces? Odgovor: Hvatovi su uzorkovani iz MJCF geometrije koristeći model Robotiq-2F85. Svaki objekt ima veliki broj potencijalnih hvatova, koji se klasteriraju u 6-DoF prostoru i biraju uniformno po klasterima. Testiranja uključuju perturbacije za ispitivanje stabilnosti i provjeru mogućnosti aktuacije kod artikuliranih objekata, zahtijevajući održavanje kontakta tokom većeg dijela raspona zgloba. Dodatno, simulirana hvataljka pokušava podizati i manipulirati objektom radi potvrde funkcionalnosti.

Pitanje: Koji simulatori i engine-i su podržani i kako se postiže interoperabilnost? Odgovor: Primarno su podržani MuJoCo, ManiSkill i NVIDIA Isaac Lab/Sim, uz podršku za konverziju u USD format. MolmoSpaces nudi loader-e i konverzione skripte koji omogućavaju prelazak MJCF asseta u USD i obrnuto, čime se omogućava korištenje istih scena i objekata u različitim simulacijama i testiranje algoritama na zajedničkoj osnovi.

Pitanje: Može li MolmoSpaces pomoći pri sim-to-real transferu i na koji način? Odgovor: Da. MolmoSpaces daje mogućnost sistematskog proučavanja faktora koji utiču na transfer pomoću validiranih fizičkih parametara, raznovrsnih scena i kontroliranih benchmark eksperimenata. Time se mogu izolovati varijable koje najviše doprinose degradaciji performansi pri prelasku u stvarni svijet i dizajnirati strategije za smanjenje tog jaza.

Pitanje: Koji su tipični ograničenja i rizici pri korištenju MolmoSpaces? Odgovor: Glavna ograničenja uključuju potencijalnu razliku između simuliranih i stvarnih kontakata posebno kod deformabilnih materijala, potrebu za pažljivim upravljanjem metapodacima i autorskim pravima za modele iz javnih repozitorija, te inženjerske izazove u vođenju velikih eksperimenata zbog računskih zahtjeva. Također, velika količina podataka ne oslobađa od potreba za etičkom i sigurnosnom provjerom aplikacija u realnim okruženjima.

Pitanje: Kako se mogu dodati novi roboti, senzori ili kontroleri u MolmoSpaces? Odgovor: Platforma je modularna i omogućava dodavanje novih embodimenta kroz standardne formate i konfiguracijske skripte. Dokumentacija i kode primjeri u repozitoriju pokazuju kako integrisati nove robote, senzore i kontrolere, te kako mapirati njihove modele na postojeće scene i assete. Konverzija u USD i MJCF olakšava ovaj proces.

Pitanje: Gdje su dostupni podaci, kod i tehnička dokumentacija? Odgovor: Podaci, kod i tehnički izvještaji dostupni su javno kroz repozitorije posvećene projektu: tehnički izvještaj, dataset repozitorij na platformama za dijeljenje podataka, i GitHub repozitorij s alatima za konverziju i učitavanje. Također postoji demo koji pokazuje primjere scenarija i mogućnosti platforme.

Pitanje: Kako MolmoSpaces pristupa pitanjima pristranosti u datasetima i modelima? Odgovor: Platforma omogućava ekslicitnu analizu pristranosti kroz kontrolisane eksperimente u kojima se variraju pojedinačni faktori. Time je moguće otkriti pojave kao što su objekt-frekvencijska pristranost ili osjetljivost na formulaciju instrukcija, što omogućava razvoj korektivnih mjera tokom treninga i design promptova.

Pitanje: Koje vrste podataka se preporučuju za početnu validaciju modela razvijenih na MolmoSpaces? Odgovor: Za početnu validaciju preporučuje se korištenje manjih, dobro kontrolisanih skupova scena i objekata koji jasno izoliraju ključne varijable poput mase, oblika ili osvjetljenja. Paralelna realna validacija na jednostavnim zadacima pomaže identificirati najveće razlike između simulacije i stvarnosti prije skaliranja na veće eksperimente.

Pitanje: Mogu li se rezultati i eksperimenti reproducirati na različitim simulatorima bez značajnih prilagodbi? Odgovor: Da, u velikoj mjeri. Zbog korištenja standardnih formata (MJCF i USD) i alata za konverziju, mnogi eksperimenti je moguće reproducirati na različitim simulatorima. Međutim, sitne razlike u engine-ima i parametrima fizike mogu zahtijevati dodatnu kalibraciju i provjeru da bi se osigurala potpuna ekvivalencija ponašanja.

Pitanje: Kako MolmoSpaces podržava učenje iz demonstracija i imitacijsko učenje? Odgovor: Platforma nudi pipeline za generisanje trajektorija uvjetovanih hvatovima, kao i mogućnost integracije teleoperacijskih demonstracija prikupljenih putem mobilnih uređaja. Ovi alati omogućavaju stvaranje velikih, reprodukovanih datasetova demonstracija pogodnih za imitacijsko učenje i behavior cloning.

Pitanje: Koji su naredni koraci za MolmoSpaces i gdje zajednica može doprinijeti? Odgovor: Naredni koraci uključuju proširenje biblioteke objekata, poboljšanje realističnosti kontakata i rad na alatima za lakšu evaluaciju sim-to-real transfera. Zajednica može doprinijeti prijavama novih asseta, izvještavanjem o bugovima, razvojem kontrolera i integracijom dodatnih simulatora, kao i kroz razmjenu eksperimenata i rezultata radi kolektivnog napretka.