前言
本文一开始是属于此文《GRAPE——RLAIF微调VLA模型：通过偏好对齐提升机器人策略的泛化能力》的前言内容之一(该文发布于23年12月底)，但考虑到其重要性，加之那么大一张表格 看下来 阅读体验较差，故抽出取来独立成文且拆分之
当时的前言是
具身的论文解读过很多之后，便会发现整个今24年的具身模型/策略大概如下所示——目前全网独一份「(建议按照从下至上的顺序看，且所有点我都做了详尽而细致的解读，点击下表中对应的文字即可阅读，我后续也会不断完善之——毕竟还有很多并未囊括于下表中，如转载请于文章开头标明作者July及本文链接」
有意思的是，其中的RDT、π0都通过聚合各大机器人数据集先做预训练，然后微调，且它两的参数规模也分别达到了1B、3B
大有类似大语言模型的发展路线，比如
- 17-20年，以BERT、GPT为代表的预训练-微调模式
且从GPT3起，模型的参数规模越来越大，慢慢的不再需要针对下游特定任务做微调——一个模型搞定所有任务- 途中经历过GPT3.5的RLHF微调
- 及至到GPT4之后，模型在各方面的能力逼近人类甚至超越人类
你说，是不是有趣？
第一部分 从训练数据来源、动作预测策略、模型训练方法
1.1 训练数据来源
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第一大块 训练数据来源 | 人类行为视频数据 | 相当于互联网上大规模的视频数据，比如YouTube上的 | 比如DexMV、MimicPlay、字节GR2 |
| 开源数据 | 需要一定的整合 | 比如Open X-Embodiment等 | |
| 仿真数据 | 毕竟仿真环境中训练base model，最后真实环境中微调，是常见训练方式 | 1 英伟达的Isaac Sim：整合了物理引擎PhysX、图像渲染引擎RTX、动画/电影描述格式USD | |
| 2 Google的MuJoCo | |||
| 人工收集 | 手持夹爪，收集方便 | umi/fastumi | |
| 动作捕捉，精度较高 | dexcap | ||
| 遥操，精度很高 | 主从机械臂遥操数据ALOHA | ||
| VR遥操Open-television |
1.2 动作预测策略
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第二大块 动作预测策略 | iDP3(改进的3D diffusion policy) | 可落地在人形机器人上 | 斯坦福iDP3 |
| 3D diffusion policy | 将3D视觉表示与扩散策略 | 3D Diffusion Policy: Generalizable Visuomotor Policy Learning via Simple 3D Representations | |
| Diffusion Policy(还可基于点云) | diffusion policy基于扩散模型 | UMI/dexcap | |
| Diffusion Transformer(DiT) | 基于Diffusion Transformer(DiT)改造 | 清华RDT |
|
| 预测与动作扩散器PAD：通过联合去噪同时预测未来图像和动作 | Prediction with Action: Visual Policy Learning via Joint Denoising Process | ||
| ACT基于Transformer |
|||
| 基于下一个token预测技术预测动作token | 基于类似下个token预测策略 | ||
| 伯克利Digit |
1.3 模型训练方法
1.3.1 非Robotics VLM与VLA的训练方法
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第三大块 模型训练方法 |
直接真实环境中RL开训，摒弃仿真 | 真实环境中得到的RL数据微调VLM + 机器人动作微调：RL训练运行创建的数据集，可以用于二次训练，代替人类提供的例子(效果如何 待验证) | UC伯克利的Sergey Levine，于24年年底在DAI 2024上的演讲：RLDG——Reinforcement Learning Distilled Generalist |
| 结合视觉和人类示教与纠正的RL方法，目前暂时还是小众赛道 | UC伯克利的HIL-SERL | ||
| RL仿真 + VR遥操 | 估计人类动作 + 人类动作到人形机器人的重定向「凡是人形，必涉及到基于AMASS数据集(包括SMPL-X做参数化建模)做人形运动目标的重新定位」 + sim to real(师生学习/策略蒸馏) + VR遥操 | ||
| OmniH2O | |||
| RL仿真训本体 + RGB遥操部署 | Retargeting、Sim-to-Real、RGB Real-time遥控 | H2O：通过重定向清除不可行的动作，然后仿真训练，最后RGB实时遥操作部署(使用训练好的Sim-to-Real模仿策略进行模仿) | |
| 仿真中训小脑HST(仿真中训练好之后，RGB遥操部署) 且其真实中训大脑HIT |
HumanPlus：RL仿真训本体 + 人类示教(模仿学习/行为克隆)训大脑 | ||
| 静态数据训练 + 人类示教 | 比如通过示范数据做行为克隆，更结合前身ALOHA的静态数据做协同训练 | Mobile ALOHA |
1.3.2 Robotics VLM与VLA的训练方法
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第三大块 模型训练方法 |
预训练的VLA | 先对VLM基于机器人数据(开源OXE + 自采，或只开源OXE)做二次预训练(模仿人类)变成VLA，再真实环境中微调VLA | 1 π0：先在高度多样化的开源 + 自采机器人数据上进行预训练——变成了相比不二次预训练情况下更强大的VLA，然后针对所需任务进行微调 |
| 2 RT2和OpenVLA：只在开源OXE上做的预训练 | |||
| 不用预训练的VLA | 其考虑到预训练成本较高 | TinyVLA | |
| 预训练的Robotics VLM | 针对VLM的二次预训练，通过开源OXE训练VLM变成Robotics VLM | Octo：在Open X-Embodiment数据集上进行预训练 | |
| 不预训练的Robotics VLM | 没有针对VLM的二次预训练，而是直接机器人数据微调VLM变成Robotics VLM | 字节RoboFlamingo：使用简单、少量的微调就可以把 VLM 变成 Robotics VLM |
第二部分 Robotics VLM和VLA中的动作预测
2.1 Robotics VLM和VLA中的动作预测
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第四大块 Robotics VLM和VLA中的动作预测 | 专门的action head | 基于LSTM |
Robotics VLM：字节RoboFlamingo |
| 基于diffusion model | Robotics VLM：Octo | ||
| VLA：TinyVLA(diffusion-based head) | |||
| 基于流匹配 | VLA：π0 (流匹配微调VLM) | ||
| 基于Diffusion Transformer(DiT) | VLA：CogACT(相比Octo的头 更大) | ||
| 基于下一个token预测技术预测动作token | 对于离散化token动作表示，即指将机器人的每个动作维度分别离散化为 256 个箱子中的一个 | VLA：RT-2、OpenVLA(相当于RT-2开源版) |
第三部分 借鉴大语言模型的发展之路
3.1 借鉴大语言模型的发展之路
| 2024年具身前沿模型/策略大汇总 | 说明 | 补充备注 | 典型代表 |
| 第五大块 借鉴大语言模型的发展之路 | 预训练-微调模式中把模型搞大 | 需要架构、数据双双具备 | RDT、π0 |
| 把RLHF引入近具身 | 通过偏好对齐提升机器人策略的泛化能力 | GRAPE | |
| 把CoT引入具身 | 让具身模型学会逐步推理 | ECoT | |
| 让VLM充当机器人大脑，做顶层任务规划 | 机器人基础模型(相当于大脑)：用于整体任务规划 机器人操控模型(相当于小脑)：用于精确控制 |
Figure 01、清华ViLA、CoPa | |
| 让大模型来打辅助：推理、规划样样行 | 基于VLM模型GPT-4o和关系关键点约束 | ReKep | |
| VLM解释人类演示视频，并为机器人生成任务计划、代码 | 纽约大学：VLM See, Robot Do | ||
| 结合「GPT4V的open-world vision能力」和重定向 | OKAMI |
更多可以查看此文《RoboVLM——通用机器人策略的VLA设计哲学：如何选择骨干网络、如何构建VLA架构、何时添加跨本体数据》
