8 篇文章带有标签 “robotics”

核心观点摘要 (Executive Summary)

• 起点与转折：2024–2026年，具身智能领域出现了开源大模型全方位挑战闭源巨头的现象。以参数量仅 70 亿的 OpenVLA 击败 550 亿参数的谷歌 RT-2-X 为标志，证明了在具身智能领域“大不代表聪明”，良好的数据设计和架构创新能实现“以小博大”。
• 技术四派：开源 VLA（视觉-语言-动作）模型已分化为四大派别：学院派（OpenVLA/OCTO）、巨头生态派（NVIDIA GR00T/Google Gemini Robotics）、创业派/中国力量（小米/蚂蚁/自变量/OpenMind）、技术极致派（Physical Intelligence π0）。
• 开源动因：商业公司开源并非单纯慈善，而是通过“开源模型引流、闭源专有数据/训练 Pipeline 变现”或“用模型绑定自身硬件/计算生态”等策略抢夺行业标准制定权。
• 对抗巨头的武器：开源社区依靠 “数据（Open X-Embodiment） + 工具（LeRobot/Genesis） + 架构” 的三层组合拳，降低了硬件与训练门槛，打破了特斯拉等闭源自研孤岛。

逐章节完整详解

一、 背景与破局：OpenVLA 的“以小博大”

• 打破闭源神话：2024 年 6 月推出的 OpenVLA 仅有 70 亿参数，却在 29 项机器人操作任务中，以 16.5% 的成功率优势击败了谷歌 DeepMind 拥有 550 亿参数的旗舰闭源模型 RT-2-X。
• 架构巧妙设计（“三个臭皮匠”战略）：
• 谷歌 RT-2-X 仅使用单视觉编码器，信息处理效率较低。
• OpenVLA 引入双视觉编码器：DINOv2 负责空间物理关系理解；SigLIP 负责语义与常识理解。结合 Llama 大语言模型作为决策大脑，将空间与语义信息解耦优化再统一决策，实现了更高的综合性能。

Reachy Mini

2025年12月买的 Reachy Mini 机器人，近5个月终于到手了。

购买链接

介绍

Reachy Mini 是由法国机器人公司 Pollen Robotics 开发的一款开源的桌面级人形机器人，旨在为教育、研究和创意项目提供一个灵活且易于使用的平台。Reachy Mini 是 Reachy 机器人的小型版本，具有相似的功能和设计，但体积更小，更适合在桌面环境中使用。

硬件版本

功能特性	Wireless (无线版)	Lite (轻量版)
价格	$449$	449∣299
电机与机械结构	9 个伺服电机	9 个伺服电机
头部运动	6 自由度 (pitch, roll, yaw, x, y, z)	6 自由度 (pitch, roll, yaw, x, y, z)
身体旋转	±160°	±160°
天线	2 个动力感应天线	2 个动力感应天线
摄像头	广角摄像头	广角摄像头
麦克风	4 麦克风阵列	4 麦克风阵列
扬声器	5W 扬声器	5W 扬声器
板载算力	树莓派 CM 4 (16GB 存储)	-
加速计	内置 IMU	-
Wi-Fi 连接	支持	-
独立模式	支持	需通过 USB 连接控制
供电方式	电池供电 + 电源适配器 (7.3V / 5A)	仅限电源适配器 (7.3V / 5A)

开箱与初体验 Welcome to Reachy Mini!

具身智能（Embodied AI）作为人工智能通往通用人工智能（AGI）的关键路径，近年来取得了突破性进展。本文基于 Every-Embodied 开源项目的丰富实践经验，系统性地综述具身智能领域的技术栈、算法演进、工程实践和前沿复现。全文涵盖：（1）具身智能的基础理论与发展历程；（2）机器人学基础（运动学、动力学、坐标变换）；（3）计算机视觉在具身场景中的应用；（4）强化学习与模仿学习；（5）视觉-语言-动作（VLA）大模型全景；（6）视觉语言导航（VLN）技术；（7）世界模型最新进展；（8）无人机控制与规划专题；（9）仿真环境与真机部署；（10）数据集与评估基准。本文强调"理论-实践-复现"三位一体的学习路径，为工程师和从业者提供从入门到前沿复现的完整技术指南。

关键词：具身智能、机器人学习、视觉-语言-动作模型、VLA、视觉语言导航、VLN、世界模型、强化学习、模仿学习、MuJoCo仿真

目录

1. 引言
2. 具身智能基础理论
3. 机器人学基础
4. 具身场景的计算机视觉
5. 强化学习与模仿学习
6. 视觉-语言-动作（VLA）大模型
7. 视觉语言导航（VLN）
8. 具身世界模型
9. 无人机控制与规划专题
10. 仿真环境与真机部署
11. 数据集与评估基准
12. 工程实践指南
13. 总结与展望

1. 引言

1.1 什么是具身智能？

人工智能的发展历程中，我们见证了从"非具身"（Disembodied）到"

NVIDIA 正致力于打造全栈物理AI（Physical AI）平台，推动人工智能从数字领域向理解并交互物理世界跨越。该平台的核心由 Cosmos 世界模型、Omniverse 模拟环境以及针对机器人（GROOT）和自动驾驶（Alpamayo）的专属模型组成。

在硬件层面，NVIDIA 推出了突破性的 Vera Rubin 架构。其中，Rubin GPU 拥有 3360 亿个晶体管，其推理性能达到 Blackwell 的 5 倍；Vera CPU 则配备 88 个定制内核，显著提升了系统内存带宽。配合 BlueField-4 DPU 和 NVLink 6 技术，NVIDIA 构建了能够支持海量算力需求的 AI 基础设施。

• NVIDIA Omniverse：是 NVIDIA 推出的、基于 OpenUSD 的实时 3D 开发与协作平台，核心用于构建大规模 3D 应用、工业数字孪生及物理 AI 仿真，依托 RTX 渲染与 GPU 加速，实现跨工具互操作、实时协作与高保真模拟，支持云边端灵活部署。
• NVIDIA Cosmos：这是一款为物理 AI 设计的世界基础模型（World Foundation Model）。它能理解物理定律（如重力、惯性、碰撞），并能将合成数据（Synthetic Data）转化为训练 AI 的高质量数据，解决物理世界数据稀缺的问题。
• Alpamayo：NVIDIA 发布了首个具备推理能力的自动驾驶 AI。它不仅能控制车辆，还能用自然语言解释其驾驶行为的原因，应对道路上的长尾（边缘）案例。
• GROOT：是 NVIDIA 面向通用人形机器人的开放基础模型体系，核心是视觉-语言-动作（VLA）端到端架构，以双系统协同实现环境理解与实时动作生成，依托 Omniverse 仿真与 Cosmos 数据平台形成机器人 “学习-仿真-部署” 闭环。

conda create -n reachy-mini python=3.10.9 -y
conda activate reachy-mini

pip install reachy-mini[mujoco]

LeRobot

尖端机器学习，赋能真实世界机器人

🤗 LeRobot 致力于在 PyTorch 中为真实世界的机器人提供模型、数据集和工具。其目标是降低机器人技术的入门门槛，让每个人都能通过共享数据集和预训练模型来做出贡献并从中受益。

🤗 LeRobot 包含已被证明可应用于真实世界的尖端方法，重点关注模仿学习和强化学习：github.com/huggingface/lerobot

🤗 LeRobot 已提供一系列预训练模型、包含人类收集演示的数据集以及模拟环境，让每个人都能轻松上手。在未来几周，该项目计划为市面上最经济实惠且功能强大的机器人添加越来越多的真实世界机器人支持。

🤗 LeRobot 在 HuggingFace 社区页面上托管预训练模型和数据集：huggingface.co/lerobot

• GitHub LeRobot
• Assemble and use SO-101
• LeRobot Dataset Visualizer
• Standard Open SO-100 & SO-101 Arms
• X LeRobot

• 慧思开物：通往通用具身智能之路