传统的机器人学习太依赖昂贵的机器人数据，难以扩展。GR-2借力打力，利用互联网上无穷无尽的人类视频，通过“预测未来画面”的预训练任务，让模型先学会物理世界的运作规律。在这个强大的“常识底座”上，只需喂给它少量的机器人数据，它就能迅速学会各种操作，并且即便换了环境、换了物体也能稳定工作。这为通用的具身智能（Embodied AI）指出了一条极具潜力的道路——从视频生成迈向机器人控制。

传统的机器人学习太依赖昂贵的机器人数据，难以扩展。GR-2借力打力，利用互联网上无穷无尽的人类视频，通过“预测未来画面”的预训练任务，让模型先学会物理世界的运作规律。在这个强大的“常识底座”上，只需喂给它少量的机器人数据，它就能迅速学会各种操作，并且即便换了环境、换了物体也能稳定工作。这为通用的具身智能（Embodied AI）指出了一条极具潜力的道路——从视频生成迈向机器人控制。

GR-1 将。

这篇文章的核心点之一是关于连续动作序列的建模，以保持一致性，还有一篇文章ACT也有体现。总的来说。提出，将用于机器人视觉-运动策略学习（visuomotor policy）。旨在解决传统策略学习在多模态动作、长序列一致性、高维动作空间和训练稳定性上的问题。核心方法将机器人动作预测建模为DDPM去噪过程初始动作从高斯噪声采样 → 多轮去噪 → 得到最终动作序列。动作预测是条件化的（condition

提出了一个能够在真实世界中进行多任务机器人操作、并且具备高样本效率和泛化能力的框架。通过语义场景增强快速扩增小规模机器人数据集训练一个多任务、语言条件控制的策略模型MT-ACT，能够吸收经过增强后的多模态数据。文章结合并改进了多个原本用于单任务策略的设计（例如，（动作块预测）、（时间聚合）），并证明这些方法在我们的多任务设置中仍然能显著提升性能。，对时间序列上的多个预测或数据进行整合处理，对预测动

提出了一个能够在真实世界中进行多任务机器人操作、并且具备高样本效率和泛化能力的框架。通过语义场景增强快速扩增小规模机器人数据集训练一个多任务、语言条件控制的策略模型MT-ACT，能够吸收经过增强后的多模态数据。文章结合并改进了多个原本用于单任务策略的设计（例如，（动作块预测）、（时间聚合）），并证明这些方法在我们的多任务设置中仍然能显著提升性能。，对时间序列上的多个预测或数据进行整合处理，对预测动

提出了，1.在ALOHA 2 平台上收集了超过 26,000 个示范、2.使用这些数据训练了基于 Transformer 的、3.在真实和模拟环境中，充分展示了机器人灵巧行为。ALOHA Unleashed 证明，一个简单的方法就可以提升双臂灵巧操作的能力。局限性，策略每次只训练单一任务（其他方法可能使用单一模型权重，通过语言或目标图像条件化，实现多任务操作）、2.策略每 1 秒重新规划一次（对于

采用docker，一个必要的步骤就是需要安装nvidia-container-toolkit，这样才能实现容器内的gpu访问。支持gpu共享，用户环境内能够正常访问宿主机 GPU，支持 PyTorch、TensorFlow 等深度学习框架的 GPU 功能。考虑了lxd,lxc,docker,Determined等方案，由于一些客观因素，这次计划采用docker进行管理。2.进行配置，这里只针对do

π0.5，一个基于 π0 VLA 的联合训练模型，能够整合多种数据源，并在新环境中实现泛化。π0.5 可控制移动机械臂在未见过的家庭环境中执行任务，训练数据包括400h的移动机械臂操作数据，和其他类型机器人的数据以及互联网和高层任务数据。π0.5 展示了联合训练方案能够有效迁移，即使只有中等规模的移动操作数据，也能实现高度泛化的控制能力。但是，仍然存在一些比较难解决的问题，解决这些问题可以通过更好

提出CoT-VLA：把视觉-语言-动作模型和思维链结合，通过引入中间视觉目标（subgoal images）作为显式推理步骤，与传统用或关键点的抽象表示不同，使用视频中采样的子目标图像，既可解释又有效，基于VILA-U模型构建，在多种机器人操作上表现较好。但是也存在计算开销大，视觉质量欠佳（自回归图像生成不如扩散模型)，动作分块导致动作可能不连续（这一个动作片段和下一个动作片段不连续），视觉推理泛