vla

VLA 系统学习第 12 课：为什么机器人不能只看一帧？——时间序列、Observation History 与 Action Chunk上一课真正要建立的是一个判断习惯：看到 Robot Learning / VLA 的测试结果，先不要急着看 Success Rate，先看它到底怎么切数据、测试了什么“没见过的东西”。

VLA 系统学习第 8 课：Optimizer 到底在干什么？——从 Learning Rate 到 SGD、Momentum 和 Adam先把上一课的 9 个问题完整收掉，然后直接进入第 8 课。今天的主线会继续沿着同一条训练链往后走：\[ \text{Gradient} \rightarrow \text{Learning Rate} \rightarrow \text{Optimizer} \rightarrow \text{Parameter Update} \]

VLA 系统学习第 1 课：VLA 到底在干什么？第一课先不碰 ACT、Diffusion Policy、OpenVLA、π0 这些具体模型，而是只解决最基础的一条链：

飞猫的边缘AI

边缘AI为什么加速上车了？如果说家用摄像头是边缘AI的走量场景，自动驾驶就是边缘AI的制高点。但2026年正在发生一个关键转折：边缘AI上车不再只是制高点上的技术验证，而是在变成一场规模化标配。

VLA 系统学习第 2 课：Behavior Cloning——机器人究竟怎么从示范中学动作？从这一课开始，我们第一次真正进入 Robot Learning。今天只解决一个核心问题：如果我已经有很多“正确操作示范”，能不能让神经网络直接学会：

【VLA】Qwen-VLA:VLM+DiT统一多模态理解与连续机器人动作生成Qwen-VLA 的做法，不是声称"把所有机器人统一成一种动作"，而是用 Qwen3.5-4B 视觉—语言骨干 + 约 1.15B 参数的 DiT 流匹配动作专家 + 一套 H×K 张量/前缀掩码/具身提示的接口，把操作、导航、人本动作、轨迹预测接进同一个条件生成框架。

、达西先生

【pi05_fast_tokenizer】将连续动作变成离散的tokenFAST 的全称是 Frequency-space Action Sequence Tokenization。目的：把一段连续的机器人动作轨迹压缩成离散 token，使视觉-语言模型能够像预测文字一样预测动作。为什么要变成离散 token? 因为VLM就是prefix token 预测下一句话，前人有很多相关经验。所以把动作输出VLA变成类似预测文字一样预测动作能更快，准确输出。

把城市压缩成 2067 个盒子：CosFly 无人机跟踪数据管线论文解剖TL;DR：CosFly 用"把 3D 世界抽象成 2,067 个障碍物盒子 → 在连续空间做 9 目标梯度优化 → 反投影渲染多模态数据"的管线，构建了面向无人机动态目标跟踪的大规模多模态数据集。它既不是这个任务的第一个数据集（城市 UAV 跟踪的"首个"已被早六周的 UAV-Track VLA 占去，具身视觉跟踪任务本身更早一年就有 TrackVLA 做了真机验证），它的差异化也不靠"早"，而靠三件具体的事：七通道对齐标注（深度/分割/位姿/双语）、由显式多约束优化（MuCO）生成的专家轨迹、覆盖 7

技术狂人168

OmniBot-System多任务机器人：任务调度器路由设计与Jetson Thor端侧部署实践最近把OmniBot-System这个多任务机器人系统从训练到端侧部署完整跑了一遍，把过程中的关键设计和代码片段记录下来。这个系统的核心思路是用一个任务调度器把Manip（操作）、Nav（导航）、World（世界模型）三个子模型路由起来，而不是三个独立机器人硬拼。下面按模块拆开讲。

一直在努力的小宁

【阅读笔记】具身操作的数采方案概览本篇位置：本批第 10 篇。它是今天三篇里唯一的非新闻稿——一篇写于 2024 年 12 月、2025 年 1 月更新的技术综述，作者本人就在这个行业里做数采。前两篇（36 氪的行业评论、钛媒体的深度访谈）讨论的所有设备名词——ALOHA、UMI、Ego、外骨骼、动捕手套——这一篇是它们的技术底图。

【World Model】π0.5:a Vision-Language-Action Model with Open-World Generalization图1： π 0.5 \pi_{0.5} π0.5 模型从多种异质数据源中迁移知识，包括其他机器人、高层子任务预测、口头指令和网络数据，从而实现跨环境和物体的广泛泛化。 π 0.5 \pi_{0.5} π0.5 能够控制移动操作机器人，在训练数据未覆盖的新家庭中清洁厨房和卧室，并执行持续10至15分钟的复杂多阶段行为。

2026 具身智能技术实战（一）：VLA 到底怎么控制机器人？——用 LeRobot 跑通 SmolVLA 推理给机器人一张桌面图片，再说一句“把红色方块放到蓝色托盘里”，接下来会发生什么？普通聊天模型通常给你一句回答。机器人需要的却是可以被控制系统使用的动作表示。两者之间，不是把一段自然语言直接发给电机那么简单。

六大具身路线详解：模块化、技能编排、IL、RL、VLA、世界模型，到底在“吵”什么。。。目录01 模块化规划：先弄明白，机器人为什么总喜欢“拆开做”🚩2021年 MIT 团队发表的 Integrated Task and Motion Planning（TAMP），就是理解这类问题非常好的入口。

《VLA 系列》五篇 VLA 轻量化与实时化 | 开源文章摘要视觉-语言-动作（VLA）模型正在从"云端大模型"走向"机器人本体"。本文系统解读 2026 年五篇代表性的高效 VLA 工作，它们分别从不同层面回答同一个问题——如何让 VLA 在消费级/嵌入式硬件上实时运行：

音视频牛哥

从 LLM、VLA、LLA、SLIM 到实时音视频感知底座：具身智能真正需要的不只是大模型过去十几年，音视频行业解决的问题，大多可以归结为一个核心目标：怎样把声音和画面更稳定、更清晰、更低延迟地送到另一个人面前。摄像头采集、H.264/H.265 编码、RTSP/RTMP 推流、播放器解码、GB28181 接入、录像与转发，这些技术最终服务的主要对象仍然是“人”。

前沿 | VLA 演进：从动作 Token 到分层具身智能体论文：Zitkovich et al., RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control, CoRL 2023。论文：Black et al., π₀: A Vision-Language-Action Flow Model for General Robot Control, RSS 2025。论文：Pertsch et al., FAST: Efficient Action Tokeniza

【玩转VLA具身智能机械臂】（四）：点云分割与 OBB 夹取——从 PCA 失效到主动扫描说人话：它不再依赖摩擦系数，而是确认"两指确实同时从两侧顶住了物体"之后，把物体固定到手上说人话：我们要把桌子和物料分开，桌子和地板交给 MoveIt 的 octomap 让它规划时躲开，物料则不要送进 octomap，交给 Object Pose 计算去求夹取位姿

一直在努力的小宁

[特殊字符] 具身智能Agent开发调研｜零基础超详细笔记（万字长文）老师发了一份智能体开发调研文件，零基础看完全懵。花了一整天查资料、拆概念、整理成这份笔记。既是科普，也是自己的完整学习记录。全文包含所有细节、数据、例子、设计动机，建议收藏慢慢看。具身智能Agent开发调研｜零基础超详细笔记 - 小红书

当“给机器人指路“成为一门数据工程学——SimpleNav 拆解：导航大模型的标准化之争一个场景：你想让无人机听懂"飞到那座红色屋顶的左边，绕过塔吊，停在空地上"。三年前，这需要为一个数据集写一套数据解析、为一个仿真器写一套接口、为一个模型写一套评测脚本。2026 年，清华 THUNLP 联合 OpenBMB 等机构开源的 SimpleNav 说：这套东西应该只需要写一次。

【论文解读】一篇读懂VLA具身推理诊断基准RoboSPA：从细粒度空间消歧到长程程序规划，五级难度把VLA量到“不如随机猜“写在前面: 社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，Interview-for-Algorithm-Engineer，欢迎大家Star⭐收藏~ AIGC时代的《三年面试五年模拟》AI算法工程师求职面试秘籍独家资源：【三年面试五年模拟】AI算法工程师面试秘籍,欢迎 Star⭐收藏~，诚邀大家参与项目共建，聚力赋能 AIGC 行业生态建设！ AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智