搜索结果

机器人要在不同环境里完成各种各样的任务，这件事一直不好解。Vision-Language-Action（VLA）模型被看作有希望的一条路：把视觉、语言和动作放进同一个模型，让机器人具备可泛化的技能。

实时分块（real-time chunking，RTC）让视觉-语言-动作模型（VLA）异步地预测动作块，并以已经提交的动作为条件，从而生成平滑、具备反应性的机器人轨迹。问题出在条件化发生的位置上：它在推理时用补全（inpainting）的方式把新预测接到已执行的动作后面，而这一步本身要付出计算代价。

杂乱场景中的灵巧抓取长期受制于数据稀缺：真实世界难以大规模采集带标注的抓取数据，灵巧手的高自由度又让问题更难。DexGraspNet 2.0 要回答的正是，能否用大规模合成数据支撑生成式灵巧抓取，并让模型从仿真走到真实杂乱场景。

基础模型在语言和视觉上进展显著，但现有VLM在空间与具身理解上仍然有限，这是这份资料要处理的核心问题。它把“动作理解与生成”视为通往AGI的关键瓶颈，并据此讨论VLM如何走向具身空间。

机器人学习真正困难的地方，不是让模型在实验室里重复一个动作，而是让它在人类生活和工作的真实环境里理解任务、拆分步骤并稳定执行。Galaxea AI（星海图）的这份资料围绕两个相互关联的问题展开：真实开放环境中的机器人行为数据应该如何采集和标注，以及在此之上如何构建既能规划又能精细执行的VLA模型。

RoboBrain 2.0 技术报告要回答的核心问题是：能不能用一个视觉-语言基础模型，把具身任务里的感知、推理和规划统一起来，并且撑得住物理环境中的复杂任务。BAAI 给出的答案是新一代具身视觉-语言基础模型 RoboBrain 2.0。

机器人策略能否在没见过的环境里完成没训练过的行为，是机器人学习里最难绕开的问题之一。NVIDIA的DreamGen资料给出的切入点是视频世界模型：先用图像到视频生成模型合成机器人执行任务的视频，再把视频转成可训练的“神经轨迹”。

物理 AI 系统要在真实世界里感知、理解并完成复杂动作，难点不只在“看懂”，更在于看懂之后给出下一步该做什么。Cosmos-Reason1 要回答的正是这个衔接问题：模型能否理解物理世界，并用自然语言、沿长链思维推导出恰当的具身决策，例如下一步动作。

通用机器人策略的视觉编码器该怎么选，这个问题正在被重新提问。过去的主流做法是拿单张图像做重建，或者拿两张图像做对比学习，encoder 学到的东西偏向静态：画面里有什么物体、纹理长什么样、场景布局如何。

具身视觉跟踪要解决的问题很具体：智能体只能看到自己眼前的东西，却要在一个不断变化的场景里认准某个指定目标并跟上去。材料把这件事称作 Embodied AI（具身智能）的一项基础能力，即它往往不是终点，而是更复杂任务的前置条件。