vla

猫先生Mr.Mao

具身智能跨本体学习之Open X-Embodiment详解：让22种机器人共享同一套操作经验【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 系列》MemoryVLA++ | 感知-认知记忆 | 潜空间未来想象 | 论文与源码边界解析单帧 VLA 容易遇到两类时间问题：它既不知道当前画面之前发生了什么，也无法判断正在运动的场景接下来会怎样变化。按钮按下前后几乎一样，需要过去记忆；传送带上的物体仍在移动，需要对未来位置做预判。MemoryVLA++ 的核心思路是把时间建模拆成过去、现在、未来三部分：当前观测形成工作记忆，感知-认知记忆库保存并检索历史，视频世界模型在潜空间提取未来动态，最后由扩散动作专家统一生成连续动作。

c语言中的“柔性数组成员”（Flexible Array Member, FAM）我最近在研究我同事写的具有特定格式的一系列命令行，例如：指令格式:55 AA LL(包含命令字节+整个数据) MM(命令字节) DD ... 0A

【玩转VLA具身智能机械臂】（二）：MoveIt2 运动规划——架构、配置与 C++ 上手说人话：MoveIt2 就是机械臂界的"全家桶"——第一期我们手写的 IK、碰撞、规划，官方都写好了，还打包成一个叫 move_group 的"中央调度器"。你只要告诉它"我要去哪"，它自己会算 IK、查碰撞、调规划器、发轨迹

智能体面试准备（四十三）：具身智能体与机器人实操——从 VLA 到 Sim2RealB24 讲智能体怎么操控图形界面（Computer Use），B40 讲自主智能体前沿里点到过具身与世界模型。本篇站到机器人视角，把那套"感知—决策—执行"落进真实物理世界：一个具身智能体（Embodied Agent）要能看、能想、能动手，在三维空间里抓取、移动、导航。这是大模型从"屏幕里的文字世界"走向"真实物理世界"的关键一跃，也是华为这类做多模态 + 机器人/终端岗位最看重的硬方向。本篇讲清具身智能的栈、VLA 模型、操作与导航、Sim2Real，以及它和普通 LLM Agent 的根本不同。

猫先生Mr.Mao

具身智能之UniJEPA详解：让机器人同时“听懂、预见、动起来”的统一表征学习【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 系列》π0.7 | 多模态提示可控机器人基座模型 | 组合泛化与跨本体迁移 | 论文与复现思路π0.7 想解决的不是再做一个更大的 VLA，而是一个更棘手的数据问题：机器人数据一旦扩展到不同机器人、不同操作者、自动执行轨迹甚至失败样本，同一个任务会同时出现快慢不同、质量不同、策略不同的多种行为。若只给模型一句任务指令，模型很容易把这些模式平均在一起，学到一个哪种都不像的折中策略。

【论文解读】视觉语言导航 VLN：用 Matterport3D 真实全景和 R2R 众包指令，把“听懂人话再走路“做成首个可打分的具身基准论文：Vision-and-Language Navigation: Interpreting visually-grounded navigation instructions in real environments（Australian National University / University of Adelaide / Queensland University of Technology / Macquarie University，CVPR 2018 Spotlight）发布时间：2

还不秃顶的计科生

具身智能论文学习10：π0: A Vision-Language-Action Flow Model for General Robot Control如何在保留预训练 VLM 强大视觉语言知识的同时，直接生成高频、连续、精细的机器人 Action Chunk，从而实现通用且灵巧的机器人控制？

【论文解读】VLN-R1：让大视觉语言模型直接吃第一人称视频走出连续动作，用 GRPO 强化微调和时间衰减奖励把“导航“做成 LVLM 的可验证后训练任务论文：VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning（The University of Hong Kong / Shanghai AI Lab，arXiv 预印本，cs.CV）发布时间：2025 年 6 月 20 日（arXiv v1）作者：Zhangyang Qi、Zhixiong Zhang、Yizhou Yu、Jiaqi Wang、Hengshuang Zhao（共 5 人；Jiaqi Wang、Hengshua

《VLA 系列》Human-to-Robot Transfer | 人类视频共训练 | 跨本体涌现迁移 | 论文解析人类视频数量大、场景丰富，采集成本也比机器人遥操作低得多，但人和机器人长得不一样、运动方式不一样，动作空间更不一样。过去的方法通常要做视觉域对齐、手部重定向或专门的跨本体模块。这篇论文给出的结论反而很简单：当 VLA 已经在足够多的场景、任务和机器人本体上预训练后，不需要额外设计显式对齐损失，仅通过人类数据与机器人数据共微调，人类示范中的新场景、新物体和新任务知识就能迁移到机器人。

还不秃顶的计科生

具身智能论文学习8：Octo: An Open-Source Generalist Robot PolicyOpen X-Embodiment→多机器人、大规模数据Diffusion Policy→连续动作序列与扩散动作生成

《VLA 系列》RLT | RL Token | 轻量 Actor-Critic | 在线强化学习与源码解析RLT（RL Token）解决的是一个很具体的问题：通用 VLA 已经会做任务，但到了插孔、拧螺丝、穿扎带这类最后一毫米的接触阶段，动作往往不够快，也不够稳。直接用在线强化学习更新数十亿参数的 VLA，真实机器人数据和算力都承受不起；完全绕开 VLA 训练一个小策略，又会丢掉大模型已经学到的视觉和操作知识。RLT 的做法是在两者之间加一个紧凑接口：先把 VLA 内部表征压缩成一个 RL token，再冻结 VLA，用小型 actor-critic 在真实机器人上做在线强化学习。

《VLA 系列》π0.5 + KI | 知识隔离 | 离散与连续动作联合训练 | 论文与源码解析π0.5 已经能把多种机器人、任务和通用视觉语言数据放进同一个训练体系，但继续扩大数据并没有消除一个很现实的矛盾：自回归动作 token 训练得快，却要逐 token 解码；Flow Matching 动作专家推理快，却可能让一个随机初始化的机器人模块通过反向传播破坏预训练 VLM 的语言知识。Physical Intelligence 在 Knowledge Insulation（KI，知识隔离）中给出的答案，不是冻结 VLM，而是把两种动作表示放到同一个模型里训练，并只隔离有害的梯度路径。

《VLA 系列》π0 | Flow Matching 动作专家 | 跨本体机器人策略 | 论文与源码解析π0 要解决的核心矛盾很直接：视觉语言模型擅长理解图像和指令，却只能输出离散文本；机器人控制需要连续、高频、精细的动作。Physical Intelligence 的做法不是把动作粗暴地离散成 token，而是在 PaliGemma 旁边增加一个约 3 亿参数的动作专家，用 Flow Matching 一次生成 50 步连续动作块，再用跨机器人数据完成预训练和任务后训练。

《WAM 系列》Fast-WAM｜视频共训练｜跳过未来想象｜实时WAMFast-WAM 基于 Wan2.2-5B 视频模型改造，采用 Video DiT + Action DiT 的双专家结构。核心思路是：训练时保留未来视频预测，推理时不再生成未来视频。论文用受控实验说明，WAM 的主要收益更可能来自训练阶段的视频共训练，而不是测试阶段显式生成未来画面。

self-motivation

InternVLA-N1：面向可学习潜在规划的开放双系统视觉-语言导航基础模型机构： Intern Robotics，上海人工智能实验室（Shanghai AI Laboratory）日期： 2025-09-11 原文 PDF： InternVLA_N1.pdf 代码 / 模型 / 数据 / 主页： InternNav · InternVLA-N1 · InternData-N1 · Homepage

【ICML 2026 (Oral)】RoboMME 论文解读：首个大规模具身记忆评测基准，系统评估 VLA 长程记忆本文解读 ICML 2026（Oral）论文《RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies》。该论文提出大规模具身记忆评测基准 RoboMME，通过融合认知心理学记忆分类框架与非马尔可夫任务设计，系统性评测 VLA 模型的长程记忆能力，其特别之处在于首次同时覆盖时序、空间、对象、程序四种记忆维度，并在统一 π0.5 基座上构建 14 种记忆增强变体进行公平对比。实验表明感知记忆 + Modula

从大模型到空间智能：未来机器人的终极架构畅想过去几十年，机器人技术一直在追求一个目标：让机器像人一样感知世界、理解世界，并在世界中自主行动。然而，传统机器人距离这个目标始终存在巨大鸿沟。