现代 AI 方法概述
- 强化学习（RL）
- 模仿学习（IL / BC）
- Transformer 大模型（ACT、VLA）
- 多模态感知融合
视觉-语言-动作模型（VLA）
RT-1
- 训练数据：13 万人类演示
- 任务：700+ 厨房场景
- 输入：6 张连续图像 + 自然语言指令
- 输出：11 维离散动作向量
- 成功率：85%+
RT-2
- 参数：5.5B（PaLI-X）
- 创新：知识迁移、动作离散化、混合训练
- 提升：开放词汇任务 +47%、适应 +60%、复杂指令 +35%
扩散策略（Diffusion Policy）
RDT-1B
- 256 层 Transformer
- 生成 64 步双臂协调动作序列
- 提升：精细抓取 +23%、复杂装配 -37% 时间、动态环境 +41%
优势
- 自然处理多模态动作分布
- 处理环境不确定性
- 强序列建模能力
挑战
- 采样速度慢
- 解决：知识蒸馏、Transformer
发展趋势
- 早期：纯奖励优化（RL）
- 中期：模仿学习（IL）
- 当前：大模型 + 生成策略