← 视觉 · 语言 · 动作 / 动作分布与效率动作块的条件 VAE 与 TransformerACT / ALOHA · 原文 Fig. 4 · p.4 ↗
正式发表 / Vision–Language–Action
ACT / ALOHA
Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware
RSS · 2023
快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗
关键框架 FRAMEWORK
训练时编码动作序列和关节状态形成风格变量;策略解码器结合多视角图像与状态预测动作块,测试时使用先验均值。
- 01编码示范动作风格
- 02融合多视角与关节状态
- 03解码连续动作块
THE IDEA
它在解决什么
以动作分块策略学习双臂操作,结合低成本硬件与示范数据采集。
WHY READ IT
为什么放在这条路线
机器人领域基础读物;理解后续 VLA 的动作块和执行方式之前先读它。
READ WITH A QUESTION
读的时候,留意什么
ACT 本身不是视觉语言大模型;硬件、示范质量和策略要分开讨论。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器