u013250861的博客

原创 翻译-模板

【代码】翻译-模板。

原创 mermaid图风格

公式：x_i^t = sqrt(alpha_bar_t) x_i + sqrt(1-alpha_bar_t) ε。数据模块：真实 Mask Token x_i（Ground-truth Masked Tokens x_i）数据模块：加噪 Mask Token x_i^t（Noisy Masked Tokens x_i^t）数据模块：Mask 位置条件特征 z_i（Condition Features z_i）数据模块：预测噪声 ε_hat（Predicted Noise ε_hat）

原创 RL-11-TD算法-ActorCritic算法-在线-PPO：Critic的Loss计算详解01

在理解 PPO（Proximal Policy Optimization）的 Critic Loss 之前，首先必须理解一个核心问题：很多刚接触强化学习的人会认为：“Critic就是预测reward。”这个理解是不准确的。Critic预测的不是当前奖励，而是：这个量在强化学习中称为：价值函数（Value Function）。PPO中的Critic Loss，本质上就是让一个神经网络不断调整，使它预测的价值越来越接近真实价值。但是由于强化学习环境不会直接告诉我们“真实价值是多少”，所以PPO必须通过采样数据构

原创 时序建模【2021-04】：LAW（ENHANCING END-TO-END AUTONOMOUS DRIVING WITH LATENT WORLD MODEL）

Yingyan Li1,2,3,4 Lue Fan1,2,3 Jiawei He1,2,3 Yuqi Wang1,2,3 Yuntao Chen1,2,3Zhaoxiang Zhang1,2,3,4B Tieniu Tan1,2,31 Institute of Automation, Chinese Academy of Sciences (CASIA)2 New Laboratory of Pattern Recognition (NLPR)3 State Key Laboratory of Multim

原创 时序建模【2023-12】：ViDAR（视觉点云预测赋能可扩展自动驾驶）

与通用视觉领域的大量研究相比，面向可扩展视觉自动驾驶的预训练仍然鲜有探索。视觉自动驾驶应用需要特征同时包含语义、三维几何和时间信息，以实现联合感知、预测和规划，这给预训练带来了巨大挑战。为解决这一问题，我们提出了一项新的预训练任务，称为视觉点云预测，即根据历史视觉输入预测未来点云。该任务的主要优势在于能够协同学习语义、三维结构和时间动态（Temporal Dynamics），因而在多种下游任务中表现出优越性。为应对这一新问题，我们提出了 ViDAR，这是一种用于预训练下游视觉编码器的通用模型。

原创 时序建模【2023-11】：OccWorld：学习用于 自动驾驶（Autonomous Driving） 的 三维占据世界模型（3D Occupancy World Model）

理解三维场景如何演化，对于自动驾驶决策至关重要。大多数现有方法通过预测目标边界框（Bounding Boxes）的运动来实现这一目标，但这种方式无法捕获更加细粒度的场景信息。本文探索一种新框架，即在三维占据空间（3D Occupancy Space）中学习世界模型 OccWorld，以同时预测自车运动和周围场景的演化。我们提出基于三维占据而非三维边界框和分割图来学习世界模型，主要基于三个原因：1）表现能力。三维占据能够描述场景中更加细粒度的三维结构；2）效率。三维占据的获取成本更低，例如可以从稀疏的。

原创 时序建模【2021-04】：FIERY（基于环视单目摄像头的鸟瞰视图未来实例预测）

Anthony Hu1,2 Zak Murez1 Nikhil Mohan1 Sof´ıa Dudas1 Jeffrey Hawke1 Vijay Badrinarayanan1 Roberto Cipolla2 Alex Kendall11Wayve, UK. 2University of Cambridge, UK.Driving requires interacting with road agents and predicting their future behaviour in order to

原创 时序建模【2023-03】：StreamPETR（探索以目标为中心的时间建模，实现高效的多视角三维目标检测）【长序列建模框架，用于多视角三维目标检测】【构建一个记忆队列来存储历史目标查询】

Shihao Wang1† Yingfei Liu2 Tiancai Wang2 Ying Li1 Xiangyu Zhang2 1Beijing Institute of Technology 2MEGVII TechnologyFigure 1. Different temporal fusion methods from bird-eye-view (BEV) space, perspective view, and our proposed object-centric. RF indicates

原创 时序建模【2022-03】：BEVFormer【通过时空Transformer编码器从多摄像头图像、历史帧中学习鸟瞰图表示】【不依赖深度信息的BEV】【时间自注意力+空间交叉注意力】

基于多摄像头图像的三维视觉感知（3D Visual Perception）任务，包括三维目标检测（3D Detection）和地图分割（Map Segmentation），对于自动驾驶系统至关重要。在本文中，我们提出了一种名为 BEVFormer 的新框架，该框架利用时空 Transformer（Spatiotemporal Transformers）学习统一的 BEV 表示，以支持多种自动驾驶感知任务。简而言之，BEVFormer 通过预定义的网格状BEV 查询（BEV Queries）

原创 DM0.5：为开放世界而设计，泛化能力由此涌现【支持从历史观测中学习，并可纳入长达 60 秒的任务历史】【4B VLM 作为多模态主干】【680M Action Expert】

过去两年，VLA 模型让机器人迈向了视觉、语言与动作的统一建模。机器人不再只是根据固定程序执行动作，而是开始理解自然语言指令、识别开放世界中的物体，并将视觉语义转化为可执行的控制信号。在 26 年 2 月，我们发布了第一代原生具身模型 DM0，也是我们的第一个从零开始搭建的具身基础模型。DM0 能够完成在可控环境下的一系列复杂动作任务的学习，并向我们初步揭示了这套范式在正确的数据、有效的优化、以及可靠的评测下带来的无限可能。但真实世界对机器人提出的要求远高于一个精彩 Demo。

原创 自动驾驶-VLA-训练数据格式统一【202505】：Impromptu VLA：多数据集统一与处理流程详解

Impromptu VLA 的核心做法是：先对 8 个自动驾驶数据集进行时间频率统一和场景筛选，再将不同来源的视觉数据、车辆状态和规划信息转换为统一的问答式训练数据，最终用于 VLA 模型训练。但有一个关键区别：它不是将所有自动驾驶数据完整转换为统一的原始传感器数据库，而是针对 VLA 训练任务，构建统一的视觉—语言—动作监督数据。论文：Impromptu VLA: Open Weights and Open Data for Driving Vision-Language-Action Models论文整

原创 自动驾驶-VLA-训练数据格式统一【202511】：Reasoning-VLA（将8个公开自动驾驶数据集统一为一种标准化、包含CoT推理的训练数据格式，用于训练能够生成连续驾驶轨迹的VLA模型）

Dapeng Zhang1,2, Zhenlong Yuan3, Zhangquan Chen4, Chih-Ting Liao5, Yinda Chen6 Fei Shen2*, Qingguo Zhou1*, Tat-Seng Chua21 Lanzhou University, China; 2 National University of Singapore, Singapore3 University of Science and Technology of China, China; 4 Tsi

原创 自动驾驶-VLA【202503】：SimLingo: Vision-Only Closed-Loop Autonomous Driving with Language-Action Alignment

Katrin Renz1,2,3∗ Long Chen1 Elahe Arani1 Oleg Sinavski11 Wayve 2 University of Tubingen ¨ 3 Tubingen AI Center ¨Figure 1. Overview: SimLingo is a vision-language-action model unifying the tasks of autonomous driving, vision-language understanding and lang

原创 自动驾驶-VLA-SimLingo：预测路径航路点（Predicted Path Waypoints）、预测速度航路点（Predicted Speed Waypoints）与导航目标点

预测路径航路点（Predicted Path Waypoints）是自动驾驶模型预测的一组未来空间坐标点，用于表示车辆预计遵循的几何行驶路线。车辆应该继续沿当前道路直行。车辆应该在前方交叉路口转弯。车辆应该从当前车道过渡到目标车道。车辆应该通过改变几何行驶路线绕过障碍物。车辆停止等待后，应该沿哪条路线继续前进。因此，路径航路点可以理解为对未来行驶路径进行离散采样得到的空间路径表示（Spatial Path Representation）。

原创 自动驾驶 Datasets、Metrics、Benchmarks、Simulators 与 Evaluation 全景综述（2026）

自动驾驶研究资源并不是简单的 Benchmark 名单，而是由数据集（Datasets）指标（Metrics）基准测试（Benchmarks）仿真器（Simulators）和评测流程（Evaluation）五个彼此关联的层次组成。数据集决定研究者能够观察哪些场景；指标决定以什么数值描述模型行为；基准定义任务、约束和标准化比较方式；仿真器提供时序状态变化及动作反馈；评测方法则将这些要素组织成可信、可重复、能回答研究问题的实验。这一区别在。

原创 WAM-统一骨干网络【2026-07】：UNIVERSE（面向自动驾驶、支持灵活掩码调制模态生成的统一视频-动作模型）【未来视频去噪与轨迹去噪共享同一个生成骨干网络】

世界动作模型（World Action Models，WAMs）通过将未来视频预测（Future Video Prediction）作为场景动力学和时间因果关系的密集监督信号，在提升自动驾驶的动作泛化能力（Action Generalization）方面展现出巨大潜力。然而，目前尚不清楚哪种架构能够更有效地将视频建模的优势迁移至轨迹生成（Trajectory Generation）任务。现有的级联式架构（Cascaded Architecture）或。

原创 分布式系统 RPC 通信原理与工程实现

RPC（Remote Procedure Call，远程过程调用）把一次“调用函数”的意图转换为跨执行环境的通信过程。调用端建立或复用连接、编码方法与参数、发送请求；接收端解码、分发、执行函数，再把结果或错误返回。RPC 与 HTTP、REST 并非同一层次的概念：HTTP 是应用层协议，REST 是面向资源的架构风格，gRPC 是一种基于服务与方法的 RPC 具体实现。

原创 RLinf 单机 8×H800 的 π0.5 + BEHAVIOR-1K PPO：WorkerGroup、Ray RPC、ChannelWorker、Gloo/NCCL 与完整通信架构源码分析

本报告研究一台具有八张 NVIDIA H800 加速卡的计算节点，使用 RLinf 执行 π0.5 策略与 BEHAVIOR-1K 环境结合的 PPO 训练。已知配置只有 cluster.num_nodes=1 和 component_placement 中的 actor,env,rollout: all，其余训练参数、环境适配层、运行时版本及设备拓扑并未给出。因此本报告严格区分“通过上游公开源码可以判定的结构”“标准 π0.5 参考配置下的典型实例”和“必须在用户实际作业中观察才能确定的细节”。

原创 RLinf 单机 8×H800：π0.5 与 PPO 训练的进程、Rank、RPC、Channel 和通信协议

本报告研究一台具有八张 NVIDIA H800 加速卡的计算节点，使用 RLinf 执行 π0.5 策略与 BEHAVIOR-1K 环境结合的 PPO 训练。已知配置只有 cluster.num_nodes=1 和 component_placement 中的 actor,env,rollout: all，其余训练参数、环境适配层、运行时版本及设备拓扑并未给出。因此本报告严格区分“通过上游公开源码可以判定的结构”“标准 π0.5 参考配置下的典型实例”和“必须在用户实际作业中观察才能确定的细节”。

原创 一文彻底搞懂RLinf 分布式训练架构与 RPC 通信原理 ：从 TCP/IP、Ray Actor、Channel、NCCL 到单机 8×H800 的 π0.5 PPO 实战

首先说明技术事实的适用范围，再厘清“远端”、进程、RPC、P2P 与 Queue 等基础语义，为后续分析提供一致的术语。本报告研究一台具有八张 NVIDIA H800 加速卡的计算节点，使用 RLinf 执行 π0.5 策略与 BEHAVIOR-1K 环境结合的 PPO 训练。已知配置只有 cluster.num_nodes=1 和 component_placement 中的 actor,env,rollout: all，其余训练参数、环境适配层、运行时版本及设备拓扑并未给出。

原创 分布式系统 RPC 通信原理与工程实现

RPC（Remote Procedure Call，远程过程调用）把一次“调用函数”的意图转换为跨执行环境的通信过程。调用端建立或复用连接、编码方法与参数、发送请求；接收端解码、分发、执行函数，再把结果或错误返回。RPC 与 HTTP、REST 并非同一层次的概念：HTTP 是应用层协议，REST 是面向资源的架构风格，gRPC 是一种基于服务与方法的 RPC 具体实现。

原创 FLORA: An Open Model Suite for Scaling Robotics Data Engines

AFill line Return 0.10 / 0.25 0.00 / 0.2534.00 35.65 sAssemble a toy carSuccessSicong Leng*, Yunze Man*, Zhiqi Li*, Jing Wang, Yuhe Zhang, Ryan Punamiya, Siddharth Patki, Kaiyuan Zheng, Zi-ang Cao, Zhiding Yu, Sifei Liu, Danfei Xu, Ben Levin, Jan Kautz, Yu

原创 自动驾驶领域的坐标系与坐标变换：原理、标定、融合与工程实践

测试-sipwer。

原创 时序建模：基于历史帧预测未来的自动驾驶技术综述（时序建模、世界模型与WAM 详解）【BEVFormer、UniAD、UNIVERSE、SV-WAM】

设当前时刻为ttt，历史采样时间间隔为Δ\DeltaΔ。OthistIt−4ΔIt−3ΔIt−2ΔIt−ΔItOthist​It−4Δ​It−3Δ​It−2Δ​It−Δ​It​ItI_tIt​表示当前时刻的图像；Δ\DeltaΔ表示相邻已选取历史帧之间的真实时间间隔；总共有 5 个已知视觉时间点。如果是多摄像头自动驾驶系统，那么每个ItI_tIt​。

原创 Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models

π0.5π0.5​。

原创 OpenWAM：OpenWAM-α预训练数据

从包含 13.3 亿帧（1.33B frames，约 14,300 小时）的原始数据池（raw pool）中，我们通过数据整理（curation）和按来源采样（per-source subsampling）构建了一个包含 5.18 亿帧（518M frames，约 6,400 小时）的训练集（表 4）。考虑到预训练的计算资源（compute resources）和时间成本（time cost），每个数据源均按照独立小时预算（per-source hour budget）进行下采样（subsampled）。

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-07（SAC仍然需要两个Q网络）【Replay Buffer与Off-Policy】

→→→Soft Value→→→→Soft Value→​→→→→→→→→​最关键的思想变化不是：Actor 从一个输出变成两个输出。DDPG/TD3 学习一个高价值动作，SAC 学习一个高价值动作分布\boxed{\text{DDPG/TD3 学习一个高价值动作，SAC 学习一个高价值动作分布}}DDPG/TD3学习一个高价值动作，SAC学习一个高价值动作分布​SAC 的 Actor 不再只问：哪个动作最好？而是问：哪些动作都比较好？

原创 Benchmark【2026-03】：RoboCasa365-Target50【50项厨房任务：原子已见18项、组合已见16项、组合未见16项】

发表于 ICLR 2026，基于 RoboCasa / robosuite / MuJoCo 构建，是大规模厨房日常任务的移动操作仿真训练与评测框架。总体指标官方口径完整任务库365 项（65 原子任务、300 组合任务）预训练厨房场景2,500（50 种 layout × 50 种 style）Target kitchen 场景10 个固定的 layout–style 配对三维物体资产3,200+人工与合成示教总时长2,200+ 小时Target50 正式任务50 项。

原创 Benchmark【2025-06】：RoboTwin 2.0（双臂操作）【50项任务、5种机器人、731物体实例与147类，SAPIEN仿真、强域随机化、任务布局、成功判定】

RoboTwin 2.0 的正式论文为，发表于ICML 2026它同时是自动化双臂专家示教生成系统和机器人操作策略基准，采用 SAPIEN 物理仿真、RoboTwin-OD 物体资产与面向双臂的运动规划/任务执行流水线。它要回答两类问题：（1）系统能否高效地为不同场景和不同机器人生成成功专家轨迹？（2）用这些轨迹训练的视觉-语言-动作策略，能否在未见过的外观、背景、光照与杂物条件下仍成功操作？

原创 Benchmark【2026-07】：RoboDojo【固定式双臂（42仿真Isaac+18真机）】【评价视觉感知、语言理解、动作精度、记忆、规划、物理交互等能力】【布局数量、成功判定与评测机制】

entity[“organization”,“RoboDojo”,“机器人仿真与真实操作能力评测基准”] 是面向通用机器人操作策略的统一仿真与真机评测基准，论文名称为，于 2026 年 7 月公开。其目标是系统地评价视觉感知、语言理解、动作精度、记忆、规划和物理交互等能力。它的特点不是简单地比较“机器人能不能抓起一个物体”，而是通过多种复杂操作判断机器人能否理解目标、选择正确动作、遵守操作顺序并满足严格的完成条件。Task（任务）指操作目标及评分规则，例如 Push T 是一个任务。

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-06（Gaussian Policy到底怎样产生动作）【Actor输出μᶿ​(s)、logσᶿ(s)】

→→→Soft Value→→→→Soft Value→​→→→→→→→→​最关键的思想变化不是：Actor 从一个输出变成两个输出。DDPG/TD3 学习一个高价值动作，SAC 学习一个高价值动作分布\boxed{\text{DDPG/TD3 学习一个高价值动作，SAC 学习一个高价值动作分布}}DDPG/TD3学习一个高价值动作，SAC学习一个高价值动作分布​SAC 的 Actor 不再只问：哪个动作最好？而是问：哪些动作都比较好？

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-05（Off-Policy、现代SAC网络结构）【1个随机A、2个在线C、2个目标C、温度α、经验回放池】

πθ​a∣s它不是直接输出一个动作，而是定义动作分布。

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-04（为什么叫Soft-AC）【普通最优控制中所有动作中只看最大的那个，而SAC只要α ＞0通常不会立即只剩一个动作】

经典策略迭代（Policy Iteration）可以分成：策略评估（Policy Evaluation）。πk\pi_kπk​QπkQ^{\pi_k}Qπk​策略改进（Policy Improvement）。

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-03（目标结构）【DDPG：y=r+γQ(s′,a′)；SAC：y=r+γ[Q(s′,a′)−αlog(a′|s′)]】

经典策略迭代（Policy Iteration）可以分成：策略评估（Policy Evaluation）。πk\pi_kπk​QπkQ^{\pi_k}Qπk​策略改进（Policy Improvement）。

原创 RL-10-TD算法-ActorCritic04-连续动作控制04：SAC1-02（Soft-AC）【最大熵强化学习】【普通RL：高奖励】【SAC：高奖励+高熵】【熵：从当前π采样动作时，随机性多大】

在时间步 ttt：st→at→rt+1→st+1s_t\rightarrow a_t\rightarrow r_{t+1}\rightarrow s_{t+1}st​→at​→rt+1​→st+1​从当前时刻开始的折扣回报定义为：Gt=rt+1+γrt+2+γ2rt+3+⋯G_t=r_{t+1}+\gamma r_{t+2}+\gamma^2r_{t+3}+\cdotsGt​=rt+1​+γrt+2​+γ2rt+3​+⋯其中：0≤γ<10\leq\gamma<10≤γ<1普通强化学习的目标可以写成：J(π)

原创 RL-10-TD算法-ActorCritic04-连续动作控制03：TD3-02（TD3完整网络结构）【1个在线A、2个在线C、1个目标A、2个目标C、经验回放池】

TD3 是 DDPG 的重要改进版本。State→Actor→Action→CriticStateActorActionCriticState→Actor→Action→Critic而是针对 DDPG 的三个核心缺陷进行优化。

原创 Flow-Noise：从可学习噪声、高斯转移到整条轨迹的 Old/New LogProb 与 PPO Ratio

为避免把论文原式、概率论推导和教学设定混为一谈，全篇统一使用：Flow-Noise 的一条策略样本不是“某一次去噪转移”，而是固定环境观察下从初始高斯噪声直到最终动作块的整条随机去噪轨迹。设在真实环境时间步 ttt，策略生成一个动作块（Action Chunk）：At=[at,0,at,1,…,at,H−1]\mathbf A_t=[\mathbf a_{t,0},\mathbf a_{t,1},\ldots,\mathbf a_{t,H-1}]At​=[at,0​,at,1​,…,at,H−1​]这里 H

原创 仿真平台01

原创 测试后546ewe

测试后546ewe测试后546ewe测试后546ewe。

原创 测试后546846测试后546846

测试后546846测试后546846测试后546846。