DROID
多场景真实机器人操作数据。读 V-JEPA 2 与通用策略时,用它对照采集环境和数据覆盖。
世界模型 / 视觉 · 语言 · 动作RESOURCES & EDITORIAL NOTES
论文是主线,数据、代码、基准与导读帮助理解上下文。最后核验:2026-10-28。
世界如何预测、动作如何学习、任务如何闭环。历史资料以相关的重要会议论文为主,保留少量关键期刊与技术报告。
入选是个人阅读判断;Oral、Spotlight、Best Paper 只按来源标注,获奖入围不写成获奖。项目页不是质量保证,课程作业不因拥有 github.io 就自动入选。
普通 arXiv 预印本限 2026 年,以研究项目、实现与实验证据优先。关键技术报告独立分类,可早于 2026 年,不将机构名称当作同行评审。
128 篇工作均有明确状态。已核实 109 项官方仓库入口及 Stars、127 项论文引用记录。数字为 2026-10-28(Asia/Shanghai)快照,页面运行时不请求外部统计 API。
“GitHub 开源”表示作者实现仓库具有已识别的标准开源代码许可;“GitHub 公开”表示仓库可访问,但标准代码许可未确认。模型权重与数据集许可可能不同。“未确认”表示本次未核实到官方 GitHub 实现,不能据此断言未开源;“暂不可用”表示作者提供的链接本次不可访问。点击状态可打开仓库,阅读面板与详情页另附核验依据。
Stars 来自 GitHub 仓库 API;共享代码库标注“共享”,数字属于整个仓库。引用数来自 Semantic Scholar 的 citationCount,点击数字可查看具体索引记录。优先使用已核实的正式版记录,其余注明 arXiv 关联记录;不同版本不相加。不同索引平台的覆盖范围与合并方式可能不同。
“—”表示暂缺可核实数据,和真实的 0 区分。当前 π0.7 报告的对应引用记录尚未核实。两项数字用于了解传播与代码关注情况,不代表论文质量。
CCF 标注统一参照 CCF 2026 目录 PDF 镜像 第 57–59 页:ICML、ICLR、NeurIPS、CVPR、ICCV 为 A,ICRA 为 B,IROS 为 C。官网本次返回 405,故保留可访问镜像。该标签不是论文发表当年的历史评级。
RSS 与 CoRL 按机器人领域重点会议收录,不赋予未核实的 CCF 等级。Nature 与 TMLR 作为相关期刊代表作补充。按会议举办年份记录论文,PMLR 的出版年可能晚一年。
当前 128 篇工作均配有作者原图。已核对 119 项原文图示及相关方法或基准段落:118 项来自 PDF,UniSim 来自论文 HTML;其余 9 项保留作者项目页等原始来源。详情页标明图号、页码或章节与实际阅读范围。数据集、采集系统、评测流程和模型架构按具体内容区分。导读不代表逐篇全文精读或独立复现。圈层表示阅读深度,连线分别标注方法延伸、阅读路径与方法对照,不作为引用统计。
Open X-Embodiment 的 Best Paper 依据合作者实验室出版记录;其余荣誉依据对应作者项目页。每篇详情可查看证据链接。
多场景真实机器人操作数据。读 V-JEPA 2 与通用策略时,用它对照采集环境和数据覆盖。
世界模型 / 视觉 · 语言 · 动作跨机器人数据入口;先读数据规范和动作表示,再比较跨具身训练。
视觉 · 语言 · 动作扩散世界模型的实现入口,适合把生成环境与策略训练的流程对应起来。
世界模型与项目报告对照阅读训练目标、表征正则化和规划实现。
世界模型检查世界模型视觉质量与具身功能的差别,使用时注明具体基准版本。
世界模型 / 视觉 · 语言 · 动作仓库持续更新;阅读 N1 报告时先固定对应版本,避免把新代码当作原版实现。
视觉 · 语言 · 动作用户提供 8 份本地文字稿,已通读主题稿并核对合集重叠与差异,用于组织路线。学术结论仍回查原始论文。
世界模型 / 视觉 · 语言 · 动作 / 机器人智能体已读用户提供的 JEPA 文字稿,据此补齐 I-JEPA、V-JEPA 到动作条件预测的前置脉络。
世界模型已读 VLA 合集文字稿中的 π 系列部分,聚焦动作表示、数据混合、经验学习、记忆和视觉子目标。
视觉 · 语言 · 动作可lip整理的术语入口,适合查词;网站说明包含 AI 辅助整理,不作为发表或获奖证据。
世界模型 / 视觉 · 语言 · 动作 / 机器人智能体物理引擎。理解动力学、接触与仿真步进,它不负责替策略选择动作。
世界模型 / 视觉 · 语言 · 动作机器人、控制器和环境接口,建立在 MuJoCo 之上。用于对齐观测、动作格式和任务执行。
世界模型 / 视觉 · 语言 · 动作多任务与终身机器人学习基准。比较结果时注明任务套件、数据划分、训练预算与成功率统计。
世界模型 / 视觉 · 语言 · 动作双臂操作的数据生成和评测框架;适合检查域随机化、任务覆盖和仿真到现实的差距。
世界模型 / 视觉 · 语言 · 动作用手持夹爪采集示范的接口与策略框架。和固定机器人遥操作比较坐标表示、时间对齐和延迟匹配。
世界模型 / 视觉 · 语言 · 动作人类第一视角视频与感知基准。它有助于表征学习,但不天然提供可直接执行的机器人动作标签。
世界模型 / 视觉 · 语言 · 动作FROM POLICY TO ENVIRONMENT
以 LIBERO / robosuite / MuJoCo 这一组合为例;其他仿真栈实现不同。真实环境持续变化,离线步进仿真中的成功率不能代替实际部署的延迟与闭环检验。
READ THE DATA BEFORE THE SCORE
DROID / Open X-Embodiment:先检查本体、相机、动作坐标和控制频率。跨机器人数据不一定具有相同动作语义。
UMI 提供采集与策略接口;Ego4D 以第一视角感知为主。视频量大,不代表拥有对应的机器人动作监督。
LIBERO / RoboTwin:区分训练示范和评测任务,记录划分、随机化与版本。比较规模时,同时检查失败数据和覆盖范围。
LECTURE NOTES → READING ROUTES
已阅读用户提供的七份主题稿;世界模型合集与四期内容比对后,补读未匹配片段。转写用于组织问题与顺序,发表、荣誉和技术事实回查论文及作者资料。
想象训练与真机反馈。
用户提供的本地文字稿 · 世界模型第1期 · 梦的开始:从 World Models 到 DayDreamer,让策略在梦里练,机器狗真机 1 小时学会走路_哔哩哔哩_bilibili.txt表征预训练与动作条件预测。
用户提供的本地文字稿 · 世界模型第2期 · JEPA:不生成像素,在表征空间预测未来|从 LeCun 立场文到 V-JEPA 2 真机零样本抓放_哔哩哔哩_bilibili.txt从视频计划到动作模态。
用户提供的本地文字稿 · Cosmos:视频模型如何学会行动 世界模型系列第三期_哔哩哔哩_bilibili.txt视频动作联合建模与闭环纠偏。
用户提供的本地文字稿 · 一个视频看懂World Action Model_哔哩哔哩_bilibili.txt动作表示、π 系列与分层控制。
用户提供的本地文字稿 · 一口气看懂VLA_哔哩哔哩_bilibili.txt策略、基准、控制器与物理引擎的接口。
用户提供的本地文字稿 · 实战!一口气看懂具身智能仿真_哔哩哔哩_bilibili.txt真实机器人、人类视频与仿真数据的区别。
用户提供的本地文字稿 · 盘点一下具身领域常用的数据集_哔哩哔哩_bilibili.txt与四期主题稿比对,阅读未匹配片段,避免重复计作独立证据。
用户提供的本地文字稿 · 一口气看懂世界模型!_哔哩哔哩_bilibili.txt保留原稿,不将转写中的术语误识别、绝对化比较或“首次”说法直接写成结论。可lip术语表作为查词辅助。