THE RESEARCH ATLAS

π0:面向通用机器人控制的视觉—语言—动作流模型

将预训练视觉语言主干与基于流的动作生成结合,用于多种机器人任务。

π0: A Vision-Language-Action Flow Model for General Robot Control

Kevin Black et al.
2024-10 · Physical Intelligence · 研究论文
来源核查: 2026-10-24机构所在地 · Physical Intelligence 🇺🇸 美国
机构与地域来源

地域依据是署名机构或发布机构所在地,不代表作者国籍或完整合作名单。

arxiv.org ↗

www.pi.website ↗

为什么值得读

比较连续动作生成与离散动作 Token 预测的差异。

阅读原始来源 ↗原始 PDF ↗代码 / GitHub ↗

引用

@misc{black2024vision,
  title = {π0: A Vision-Language-Action Flow Model for General Robot Control},
  author = {Kevin Black and Noah Brown and Danny Driess and Adnan Esmail and Michael Equi and Chelsea Finn and Niccolo Fusai and Lachy Groom and Karol Hausman and Brian Ichter and Szymon Jakubczak and Tim Jones and Liyiming Ke and Sergey Levine and Adrian Li-Bell and Mohith Mothukuri and Suraj Nair and Karl Pertsch and Lucy Xiaoyang Shi and James Tanner and Quan Vuong and Anna Walling and Haohuan Wang and Ury Zhilinsky},
  year = {2024},
  eprint = {2410.24164},
  archivePrefix = {arXiv},
  primaryClass = {cs.LG},
  url = {https://arxiv.org/abs/2410.24164}
}

论文与代码版权归原作者;引用及许可请以原始来源为准。

相关研究

2023-03 · Academic · 研究论文署名地域待核实 · Academic ◌ 署名地域待核实

扩散策略:通过动作扩散学习视觉运动策略

Diffusion Policy: Visuomotor Policy Learning via Action Diffusion

将机器人控制建模为条件动作序列去噪,把扩散模型连接到视觉运动学习。

2023-07 · Google · 研究论文跨国研究机构 · Google / Google DeepMind 🇺🇸 美国 · 🇬🇧 英国

RT-2:视觉—语言—动作模型将网络知识迁移至机器人控制

RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control

让视觉语言模型输出机器人动作,探索网络规模学习向机器人控制的迁移。

2024-06 · Academic · 研究论文署名地域待核实 · Academic ◌ 署名地域待核实

OpenVLA:开源视觉—语言—动作模型

OpenVLA: An Open-Source Vision-Language-Action Model

开源视觉—语言—动作模型及适配框架,为通用机器人策略研究提供基础。