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

  1. 早期：纯奖励优化（RL）
  2. 中期：模仿学习（IL）
  3. 当前：大模型 + 生成策略