π0——用于通用机器人控制的VLA模型：一套框架控制7种机械臂(基于PaliGemma和流匹配的3B模型)
💡
原文中文，约3800字，阅读约需9分钟。
📝
内容提要
本文介绍了清华大学的机器人控制大模型π0，该模型结合视觉、语言和动作数据，旨在提升机器人在多任务中的表现。通过预训练和微调，模型能够有效处理复杂物理任务，展现出高频灵巧控制能力。
🎯
关键要点
- 清华大学的机器人控制大模型π0结合视觉、语言和动作数据，旨在提升机器人多任务表现。
- 通用基础模型在多任务数据上预训练后，通常比专门定制的模型表现更佳。
- 开发通用机器人策略面临挑战，包括大规模预训练、合适的模型架构和正确的训练策略。
- π0模型使用预训练的视觉-语言模型（VLM）和动作专家，通过流匹配输出动作。
- 模型能够以高达50 Hz的频率控制机器人进行灵巧任务，如折叠衣物。
- 预训练阶段结合多样的语言标签，旨在训练一个展示广泛能力的基础模型。
- π0模型主要由语言模型transformer骨干组成，使用条件流匹配建模动作的连续分布。
- 模型设计灵感来自Transfusion，通过多重目标训练单一变压器，提升性能。
- 动作专家使用全双向注意力掩码，确保动作token之间的相互关注。
- 作者使用PaliGemma作为基础模型，结合动作专家，总参数达到33亿。
➡️
