DDPM → DDIM / CFG → VAE·LDM → DiT → Flow Matching → Video DiT。
面向具身智能（Embodied AI）方向的中文学习记录：论文精读、源码精读、以及认知科学/理论背景。 聚焦 VLA（视觉-语言-动作）模型、世界模型、控制策略等方向，每篇都有架构拆解 / 核心公式 / 与工程实践的连接。
主线严格按截图：先补视频生成地基，再学无动作视频里的 Latent Action，随后分清 Cascaded 与 Joint WAM，最后进入实时化、多模态与评测。JEPA 和 Real-to-Sim / 4DGS 作为两条侧翼并入。
DDPM → DDIM / CFG → VAE·LDM → DiT → Flow Matching → Video DiT。
从无动作标签的人类视频中发现可控变化，把互联网视频变成预训练信号。
Cascaded：先预测未来再取动作；Joint：同一模型联合生成未来状态与动作。
低延迟 rollout、cache / distill、力触觉扩展，以及视觉—物理—动作三层评估。
六篇均可独立打开，点击下方各篇的“打开精读”进入。按模型方法、Agent 与长程操作、数据引擎分类；共收录 59 张论文原图与 6 张官方网页图，公式含符号解释与算例。
混合干净与噪声动作，让世界预测与策略互相促进；部署时策略如何省去未来生成？
打开 OneWM 精读未来残差与 4D 监督怎样留在表征中？拆解数据对齐、训练目标与轻量部署。
打开 InternW0-Δ 精读用物理语言连接理解、世界预测与动作；历史动作初始化和人类数据混合有什么作用？
打开 UniWAM 精读三种生成流如何一起训练？区分代码作为内部条件，以及 Hybrid 模式的实际执行。
打开 AW-0 精读百万小时人类经验如何进入模型？核对记忆、数据系统、实时部署与长程演示。
打开 Natura-1 精读从视频分段、动作描述到结果、过程与 rubric 评分，逐项解释数据生产流程。
打开 FLORA 精读阅读提示：InternW0-Δ 的 RoboDojo 结果属于仿真；Natura-1 六个长程演示有额外任务调优；FLORA 每天 20 万小时指源视频标注处理量。不同协议的分数不直接排成一张成功率榜。
从 VLA/SFT 基座出发，依次理解离线 RL、轻量在线真机微调、生成式动作头的原生策略梯度，以及 residual 数据闭环与世界模型想象训练。截图中的可疑简称已单独核验，不生成假论文页面。
RT-2 / OpenVLA / π₀ 建立动作表示；IQL、AWAC、HIL-SERL 建立反馈学习直觉。
冻结或保护 VLA 先验，用 residual、critic 与人类介入做分钟级闭环修正。
让 RL 目标匹配 action chunk、diffusion chain 与 flow path，而非照搬普通高斯 actor。
RL 既可以生成部署分布内的恢复数据，也可以在世界模型中批量想象策略后果。
把任务示范从“训练数据”改成“推理时接口”：先分清 ICL 与参数更新，再拆跨本体、时间对齐和长上下文三道难题，最后比较 GEN-1.5、Skild S1、HOST 与 Zero-WAM 的四种取舍。
示范进入 context，同一 checkpoint 立即换任务；与 SFT、meta-learning、TTT 严格分开。
GEN-1.5 看涌现式 one-shot；S1 看 demonstration-conditioned pretraining 与长程组合。
HOST 用共享任务进度流形把“人类示范 → 机器人未来 → 动作”拆成三级级联。
Zero-WAM 用 HumanGen、prefix memory 与 future chunk prediction 把任务视频转成可执行未来。
norm_stats.json 做粘合。逐层展开每个 transform 的"做什么/为什么/代码在哪"，
以及 LIBERO / ALOHA / DROID 三种数据集的适配差异对照。
包括论文精读、专题路线、源码与数据分析；不把页面数量等同于论文数量或精读完成度。上方分类导航保留，完整入口以这里为准。
显示 134 / 134 个页面
没有匹配页面。试试英文简称，或清空搜索。
这是一个个人学习笔记仓库，记录具身智能（Embodied AI）方向的学习过程——不限于论文精读， 也包含源码精读、工程实践、认知科学背景等。 每篇笔记包含：核心贡献/设计、架构拆解、关键公式或代码、以及与研究/工程实践的联系。 使用中文写作，英文专业术语保留对照，方便查阅原文。
如有错误或建议，欢迎通过 GitHub Issues 指出。