← 视觉 · 语言 · 动作 / 动作分布与效率视觉语言系统接上动作扩散系统GR00T N1 · 原文 Fig. 3 · p.4 ↗
技术报告 / Vision–Language–Action
GR00T N1
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots
技术报告 · 2025
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
Eagle-2 产生视觉语言特征,机器人状态和带噪动作通过具身专用编码器输入 DiT,动作解码器输出运动控制。
- 01Eagle-2 编码语义
- 02具身状态与动作编码
- 03DiT 生成运动动作
THE IDEA
它在解决什么
面向人形机器人的基础模型,结合视觉语言理解与动作生成。
WHY READ IT
为什么放在这条路线
补充人形机器人与分层模型路线,和 π 系列一起看具身平台、数据与控制差异。
READ WITH A QUESTION
读的时候,留意什么
本条针对 N1,代码仓库后续版本不等于原论文模型;不能混用不同版本的实验结果。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器