具身智能

这条路线把具身学习落到“观察环境、输出动作、接收后果、评价任务”的闭环上。经典机器人知识用于理解状态、动作和控制接口，学习方法用于从数据或奖励获得策略。模型名称只是其中一部分。 ...

这个项目把数据、训练、策略执行和评估放进同一个可检查的小任务，先确认学习循环的含义。它使用有限状态的一维积分器，省略惯性、视觉、关节和接触，因此是具身学习前的算法实验，不能代表完整机器人或视觉动作策略。 ...

模仿学习使用演示中的行为信息学习策略。行为克隆（BC）直接把观测映射到动作：输入可以是状态、关节位置、图像或一段历史；输出可以是离散动作、速度、关节目标或动作序列。输入输出的物理含义必须在数据集和控制接口之间一致。 ...

强化学习通过与环境交互，用任务回报改进策略。首先应定义时间步、状态或观测、动作空间、转移、奖励与终止。机器人系统的动作可能是力矩，也可能是发送给底层控制器的位置目标；选择不同接口，学习面对的动态和频率也会变化。 ...

视觉动作策略把图像或多模态历史映射为机器人动作。它可以绕过显式的物体位姿估计，但仍依赖相机、动作坐标、底层控制器和闭环时序。一个模型能输出向量，不代表这个向量可以直接由任意机器人执行。 ...