世界模型学习环境的动态规律，在内部建立一个可预测，可规划的环境表示，使智能体不必对每个候选动作都在真实世界中试验一个典型概率模型为：其中：- (o_t)：图像、深度、触觉等观测；- (s_t)：根据历史推断出的隐状态；- (a_t)：智能体动作；- (r_t)：奖励或任务得分；- (s_{t+1})：动作发生后的新状态。部分可观测环境中，真正使用的状态往往是：也就是说，模型要根据历史推断当前无法直

分词器（Tokenizer）、注意力机制（MHA/GQA/稀疏注意力/kvcache）、FFN/残差连接/LN、位置编码器（RoPE/ALiBi）、模型结构类型（encoder/decoder）、解码策略（top-k/top-p/DPO）

包名核心功能元包（meta-package），聚合所有相关子包，方便安装和管理（无具体功能代码）。提供 EtherCAT 通信的基础接口和核心逻辑（如主站管理、从站基类、PDO/SDO 基础操作）。实现的，作为硬件接口桥接 ROS 2 与 EtherCAT 设备。提供通用 EtherCAT 从站插件（如通用从站、CiA402 驱动器），实现具体设备的通信逻辑。提供 SDO（异步服务数据对象）通信的

目的：基于learnningbase 不需要依赖于预定义好的轨迹（No Predefined Motion），并且具有human size，High DoF，Posture Diversity把剧烈运动进行了2阶段分解，但是第一阶段无法学到比较‘优雅’的policyviolent and osillatory motion剧烈且抖动 motionaction bounds 和 scaler要是把m

地平线最新开源：腿足里程计融合GeoFlow-SLAM系统

（说明：“layout file”（布局文件）包含数据图表的排列、待监控的话题选择等配置，加载后无需手动设置即可直接查看预设的机器人关键数据，如关节角度、电机电流等。是用于编译机器人功能节点的脚本，“nodes” 指 ROS 2 框架中的 “节点”，是实现具体功能的可执行单元，编译后生成可运行的程序文件。是 PlotJuggler 的参数，全称 “--no-config”，表示不自动加载之前保存的

GMR 是一个通用的运动重定向框架，专注于将人类运动数据高精度、实时地重定向到多款人形机器人，同时适配 RL 跟踪策略优化，支持多类人类运动格式和人形机器人型号。，无需从零开发 IK / 关节映射，仅需调用脚本即可完成从各类人体运动数据到多款机器人的重定向，同时适配 RL 训练和实时遥操作场景。这类脚本的核心逻辑是「解析源运动数据 → 调用 GMR 核心算法 → 输出机器人可执行的关节数据」，支持

基于云边端协同的系统；特点：IR-L4代表智能机器人的巅峰，系统在感知、决策和执行方面具有完全的自主性，能够在任何环境中独立运行，无需人类干预。特点：引入了初步的环境意识和自主能力，能够在动态环境中执行任务，如服务机器人能够根据语音命令执行不同的任务（如“送水”或“导航引导”），同时在路径执行过程中避开障碍物。特点：具有有限的基于规则的反应能力，能够执行预定义的任务序列，如清洁机器人和接待机器人。

奖励模型：通过为文本序列的最后一个标记分配标量奖励值，评估生成文本的质量。配对比较数据集：使用首选样本和非首选样本的配对比较数据集，训练奖励模型。损失函数：通过最小化损失函数，模型可以学习到如何区分高质量和低质量的生成文本。b.2)模仿学习：通过使用输入和期望输出的配对数据，模型可以学习从输入到输出的映射。损失函数：结合了奖励模型损失和自回归语言模型损失，通过最小化损失函数，模型可以同时提高区分能

1）目标函数使得价值收益最大2）求解梯度上升，但是数据不好去取，3）采用On Policy和Off Policy，用上一轮结果作为当前一轮的输入。