VLengu

摘要： 简述 \(\psi_0\)是一种对人形机器人设计的VLA（我之前一直以为它是WAM😂）。 核心 \(\psi_0\)的工作，我想将其分为四个核心点： \(\psi_0\)模型 动作分块 和人形机器人相关的灵巧任务 训练+数据分析 我将按顺序依次详解（也许并非详解😄） \(\psi_0\)模型 \ 阅读全文

摘要： 简述 Cosmos Policy 构建于 Cosmos-Predict2（一种视频模型）之上，通过其海量互联网视频预训练的基础，使得模型能够处理机器人任务。 核心 潜在帧插入 所谓潜在帧插入，就是将额外的图像或机器人观测插入帧序列。 要搞清楚这到底是什么意思，我们必须先理解 Cosmos-Predi 阅读全文

摘要： 本文是在阅读《World Action Models: The Next Frontier in Embodied AI》时记录的笔记，带有很强个人主观性，仅供参考。 前言 论文主要从WAM的具体定义和架构，不同WAM之间的分类，数据生态等，进行综述。 本文将围绕这三个点进行。 VLA的能力是被肯定 阅读全文

摘要： 本文是在阅读《π0: A Vision-Language-Action Flow Model for General Robot Control》时记录的笔记，带有很强个人主观性，仅供参考。 前言 \(\pi_0\)是为了尽可能激发机器人在复杂，精确，灵巧任务中的潜力而设计的。 具体建立在一个VLM 阅读全文

摘要： 本文是在阅读《TURBOVLA: REAL-TIME VISION-LANGUAGE-ACTION MODEL AT 32 HZ ON AN RTX 4090 WITH <1 GB VRAM》时记录的笔记，带有很强个人主观性，仅供参考。 前言 可以先去阅读VLA综述和经典的OpenVLA，再来看这篇 阅读全文

摘要： 本文是在阅读《OpenVLA:An Open-Source Vision-Language-Action Model》时记录的笔记，带有很强个人主观性，仅供参考。 前言 OpenVLA，主要解决的核心问题，是面对封闭式VLA的获取困难，以及缺少针对新任务而微调VLA的方法。 OpenVLA有几个特点 阅读全文

摘要： 本文中部分模型仅仅作简要介绍而不会详细研究。一些经典的模型可能会单独写文章介绍。 VLA 《A Survey on Vision-Language-Action Models for Embodied AI》 VLA被定义为能够处理来自视觉和语言的多模态输入以产生机器人动作从而完成具身任务的模型 论 阅读全文

摘要： 博客园链接 世界模型阅读笔记 文献（按阅读顺序编排）： 《Recurrent World Models Facilitate Policy Evolution》——世界模型 《Mastering Diverse Domains through World Models》——DreamerV3 世界模 阅读全文