-
π₀.₅ 论文精读：面向开放世界泛化的 Vision-Language-Action 模型精读 π₀.₅：通过异构数据 co-training、层级 subtask 推理与 FAST/Flow 混合动作表示，让移动操作机器人在未见过的家庭环境中执行长时程整理任务。
30 min read -
π₀ 论文精读：通用机器人控制的视觉-语言-动作流模型精读 π₀：基于预训练 PaliGemma VLM 与 flow matching action expert，在 10000+ 小时跨形态机器人数据上预训练，并验证直接提示、语言指令和微调。
27 min read -
OpenVLA-OFT 论文精读：Fine-Tuning Vision-Language-Action Models精读 OpenVLA-OFT：通过并行解码、Action Chunking、连续动作与 L1 回归，把 7B VLA 适配到 LIBERO 与双臂 ALOHA。
29 min read -
OpenVLA 论文精读精读 OpenVLA：一个 7B 开源视觉-语言-动作模型，如何融合 DINOv2、SigLIP 与 Llama 2，用动作 tokenization 在 Open X-Embodiment 上实现多机器人控制与低成本微调。
26 min read -
Diffusion Policy 论文精读：用动作扩散学习视觉运动策略精读 Diffusion Policy：用条件去噪扩散在动作空间生成动作序列，结合 receding-horizon、视觉 conditioning 和 Time-series Diffusion Transformer，并对照官方代码拆解训练与推理。
21 min read -
CogACT 论文精读：让 VLM 负责认知，让 Diffusion Transformer 负责动作精读 CogACT：在 7B VLM 后接最大 308M 参数的 Diffusion Transformer 动作模块，用 cognition token 连接认知与动作，在 SIMPLER 与多台真实机器人上超过 OpenVLA 和 RT-2-X。
30 min read -
BAGEL 论文精读：交错多模态预训练中的涌现能力精读 BAGEL：7B active / 14B total 的统一理解与生成模型，用 MoT、Rectified Flow 和视频/网页交错数据训练，并分析 IntelligentBench 与世界建模涌现。
27 min read -
ACT 论文精读：Action Chunking with Transformers精读 ACT：用 Action Chunking、Temporal Ensembling 与 CVAE 让低成本双臂机器人学习精细操作，并对照官方代码逐层分析。
24 min read
Collection