← 视觉 · 语言 · 动作 / 动作分布与效率

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
视觉语言系统接上动作扩散系统GR00T N1 · 原文 Fig. 3 · p.4 ↗

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。

  1. 01Eagle-2 编码语义
  2. 02具身状态与动作编码
  3. 03DiT 生成运动动作
GR00T N1视觉语言系统接上动作扩散系统
视觉语言系统接上动作扩散系统

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。 来源 ↗ · 打开完整图片 ↗

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。

当前阶段动作分布与效率 ↗

能量、量化、扩散与流匹配如何生成动作?

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