搜索结果

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。

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”。

面向安全高效在线机器人学习的可扩展监督

PvP：基于本体-特权对比表征的数据高效人形机器人学习

面向可扩展人形机器人学习的快速动作重定向流程

数据驱动方法让机器人学习取得了明显进展，但把在仿真里训练好的策略直接搬到真实机器上仍然困难，在极端工况下尤其如此。四旋翼飞行器是个典型例子：竞速、国防系统、安全关键的避障都要求快速机动，而控制延迟、状态估计误差、电池电压波动这些真实世界约束会损害轨迹的可靠性，即便飞行器严格符合理想动力学。

机器人学习的一个关键瓶颈是任务标注、分段训练数据稀缺，而大规模机器人数据集其实很多，只是以长而连续的交互日志形式记录。现有数据集包含大量多样行为，却与现代学习框架的结构要求不兼容：后者需要干净分段、任务特定的轨迹。

Vision-Language-Action 模型正在改变机器人学习的做法：不再为每个任务设计专门的策略架构和定制组件，而是靠大规模数据采集加上针对具体 setup 的微调。工作重心一旦转到模型和可扩展训练上，原本按固定系统架构设计的传统机器人软件框架反而成了瓶颈；

Open X-Embodiment：机器人学习数据集与RT-X模型，由Open X-Embodiment 合作组发布（2023-10）。arXiv公开论文，可免费下载全文PDF，属于具身智能/机器人基础模型方向，适合做论文解读/产品发布解读类内容；具体结论以原文为准。

ODE Policy 是2026年11月1日提交 arXiv 的机器人学习论文，主张学习动作的动力学而非动作本身。方法用神经常微分方程（ODE）学习动作的向量场，部署时每个动作由上一个动作积分得到，因此轨迹天然连续；另用轻量多样性头捕捉多模态行为。作者把它用作视觉运动策略、VLA 与世界动作模型的动作头以及基于模型的强化学习的执行器，在单臂、双臂、灵巧手、行走和移动操作任务上与14个基线比较。