-
Universal Manipulation Interface 论文精读：让机器人从野外人类示教中学习精读 UMI：用手持夹爪、鱼眼相机、隐式双目、视觉惯性 SLAM、延迟匹配与相对轨迹，把任意环境中的人类操作示教迁移到多种机器人。
15 min read -
RoboCasa 论文精读：把日常机器人训练数据扩展到十万条轨迹精读 RoboCasa：用可交互厨房、LLM 任务设计与 MimicGen 轨迹扩增构建大规模仿真数据，并验证模拟数据的规模效应和真实迁移价值。
24 min read -
MimicGen 论文精读：用少量人类示教规模化生成机器人数据精读 MimicGen：将人类示教拆成物体中心片段，通过位姿变换、插值和成功筛选生成跨场景、物体与机械臂的大规模模仿学习数据。
22 min read -
FastUMI 论文精读：可扩展、硬件无关的通用操作接口精读 FastUMI：用解耦硬件、T265 跟踪和数据处理生态降低真实机器人示教门槛，并验证 ACT、Diffusion Policy 与 1 万条轨迹数据。
19 min read - DexUMI 论文精读：用人手作为通用灵巧操作接口
精读 DexUMI：通过可穿戴外骨骼与视觉适配，把人类灵巧手示教迁移到 Inspire Hand 和 XHand。
12 min read -
多相机视角扩展论文精读：用同步视角提升模仿学习的数据效率精读 Multi-Camera View Scaling：把一条同步多相机示教展开为伪示范，并以相机坐标动作和多视角动作聚合提升机器人模仿学习的数据效率与泛化。
18 min read -
3D Diffusion Policy（DP3）论文精读：用稀疏点云提升少样本视觉运动泛化精读 RSS 2024 的 3D Diffusion Policy：从单目深度构建稀疏点云，用轻量 DP3 Encoder 条件化 Diffusion Policy，在 72 个仿真任务和 4 个真实任务中实现高效、可泛化的模仿学习。
16 min read -
A2A 论文精读：用历史动作替代高斯噪声的 Flow Matching 策略精读 A2A：把历史本体动作编码为 Flow Matching 的起点，以轻量 MLP 生成未来动作，在单步推理下兼顾低延迟与视觉鲁棒性。
20 min read -
WARP-RM 论文精读：用时间扭曲学习相对进度奖励精读 WARP-RM：通过 AR(1) 时间扭曲生成自监督进度标签，再用密集 signed progress 过滤和重加权行为克隆数据。
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 -
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