vla

UniDex-VLA：用人类第一视角视频，训出能跨 8 种灵巧手的 3D VLA论文把贡献拆成三块：UniDex-Dataset、FAAS + UniDex-VLA、UniDex-Cap + 人机共训。方法上，UniDex-VLA 基本是 π0 骨架 + Uni3D 点云 + FAAS；真正拉开差距的是人类视频 → 机器人可执行轨迹的数据管线，以及跨多种灵巧手的统一动作表示。

滴啦嘟啦哒

【具身笔记】【Piper+PI0.5】三、探究失败原因本系列为我在vla上的第二个实践：基于piper机械臂完成数据采集--格式转换--pi05微调 --评估--panda支线对比。再上一篇文章中，我在自己的数据集上进行了多轮微调及评估，最终对比piper和panda两臂的结果，发现panda不管在同分布样本还是OOD样本上都有不错的表现，piper在同分布上的表现尚可(42/50)，但OOD样本上表现出明显的泛化能力不足(14/50)，本篇文章将尝试做一些推理阶段的消融实验，对比两臂在改变某些推理和训练参数设定后表现如何。

LeRobot 全链路原理：用一个“1+1=2“的例子讲透机械臂与模型如何接入本文用一个贯穿到底的例子，讲清楚 LeRobot 是什么、它定义了哪些"协议"、一台新机械臂和一个新模型分别要怎么接入，以及 6 个舵机和 12 个舵机的机器人如何被同一种模型适配。文中结论对照过 LeRobot 源码（基于 LeRobot 0.6.x 的分支阅读）；为了讲清楚，例子里虚构了一个新模型 “MiniVLA” 和一台新机械臂 “双臂 12 舵机”。代码是简化版，但类名、方法名与真实 LeRobot 一致。

具身智能的进化分水岭：GPT-6-Astra踏进能力门，却卡在实用门——商汤联合团队开源RoboRSI：Harness递归改进能否填平这道落地鸿沟？一句话总结：商汤联合团队（SenseNova + ACE Robotics + Ropedia + 南洋理工大学 + 东京大学等）用一份技术报告回答了全行业都在问的问题——通用大模型是否已经"长出身体"？他们的结论是：GPT-6-Astra 已跨过"具身能力"（embodied competence）的门槛，但尚未跨过"实用具身智能"（practical embodied intelligence）的门槛；而伴随开源的 SenseNova-RoboRSI 框架与 27B 模型，则试图把这条鸿沟变成一条可递

滴啦嘟啦哒

【具身笔记】【Piper+PI0.5】一、基于键盘实现数据采集本系列为我在vla上的第二个实践：基于piper机械臂完成数据采集--格式转换--pi05微调--评估--panda支线对比。本文主要介绍如何实现基于键盘遥操作采集数据。

RSS 2026｜Ψ₀：迈向通用人形机器人移动操作的开源基础模型【文献解读】文献：Ψ₀: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation 会议：Robotics: Science and Systems（RSS 2026，机器人科学与系统会议）；作者：Songlin Wei, Hongyi Jing, Boqian Li, Zhenyu Zhao, Jiageng Mao, Zhenhao Ni, Sicheng He, Jie Liu, Xiawei Liu, Kaidi Kang,

InternVLA-N1双系统视觉语言导航一句话把「听懂导航指令」和「脚下怎么走」拆成两个系统：慢的 System 2 用 7B 视觉语言模型在图上指出下一步该去哪；快的 System 1 用扩散策略每秒几十次生成避障轨迹。中间不用含糊的像素点，而用学出来的潜在计划；只在仿真训，真机可零样本换轮式 / 四足 / 人形。

滴啦嘟啦哒

【具身笔记】【π0.5 微调与仿真】五、在MuJoCo中实现可视化仿真本系列为我在vla上的第一个实践：基于lerobot做π0.5的推理、微调、仿真。本文主要介绍在在MuJoCo中实现可视化仿真。

滴啦嘟啦哒

【具身笔记】【π0.5 微调与仿真】三、libero数据可视化本系列为我在vla上的第一个实践：基于lerobot做π0.5的推理、微调、仿真。本文主要介绍libero数据集的可视化。

猫先生Mr.Mao

具身智能之京东 WLA³详解：用世界状态转换统一人类视频和机器人动作【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

第 22 课：Conditional 1D U-Net——Diffusion Policy 怎样理解一整段未来动作？上一课我们已经完成了 Diffusion Policy 最重要的一段数学基础：从前向加噪的概率模型出发，理解网络如何预测噪声，以及 DDPM 如何逐步生成动作。

VLA 系统学习第 21 课——DDPM 与 Noise Scheduler：扩散模型究竟怎样从随机噪声生成机器人动作？想先说明一下，ddpm这里讲的并不好，比如说为什么系数要用根号值，为什么没有用条件概率表示却突然用epsilon去逼近神经网络最优参数等等，其中包含一些概率论与数理统计/马尔科夫决策链/詹森不等式/KL散度知识，我找了一个讲的最好的动画，公式推导的很牛逼；听一遍，整个人都通畅了；[动画] 扩散模型DDPM全解析_哔哩哔哩_bilibili；

猫先生Mr.Mao

具身智能之Open X-Embodiment详解：22种机器人数据如何训练出RT-X的跨本体迁移【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

VLA 系统学习第 20 课——Diffusion Policy 为什么要先给动作加噪，再学习把噪声去掉？原论文：Diffusion Policy: Visuomotor Policy Learning via Action Diffusion；官方实现：real-stanford/diffusion_policy。论文提出将机器人动作策略建模为条件去噪扩散过程，并结合视觉条件与滚动时域控制。

第一部分：ACT 阶段总结——从 Behavior Cloning 到完整的 Transformer Action Policy经过第 1～19 课，我们已经从最简单的神经网络训练，逐步走到了第一个完整的机器人操作学习模型：ACT（Action Chunking with Transformers）。

VLA 系统学习第 17 课：正式进入 ACT——为什么需要 CVAE、潜变量 z 和 KL Loss？上一课我们已经从 Transformer 的内部结构，走到了一个能预测 Action Chunk 的 Encoder–Decoder Policy。

VLA 系统学习第 3 课：从一次机器人示范，到真正送进神经网络的 Batch因为训练数据里已经有“输入”和“正确答案”。对 BC 来说，一个最基本训练样本就是：\[ (o_t,a_t) \]

VLA 系统学习第 4 课：一个 Batch 进入神经网络后，模型到底是怎么“学会”的？因为：Episode 是一次完整任务，而训练样本可以来自 Episode 内部的每个时间点。例如：\[ 100\text{ episodes} \]

VLA 系统学习第 7 课：loss.backward() 到底做了什么？——从计算图到反向传播先把上一课的问题收掉，然后直接进入第七课。今天的主线会非常明确：\[ \text{Forward} \rightarrow \text{Loss} \rightarrow \text{Chain Rule} \rightarrow \text{Backpropagation} \rightarrow \text{Gradient} \rightarrow \text{Parameter Update} \]

VLA 系统学习第 5 课：神经网络的参数到底是什么？——从 nn.Linear 真正理解 W、 b 和 Gradient先把上一课最后六个问题收掉，然后直接沿着“参数 \(\theta\) 到底是什么”进入第五课。最关键的区别是：