How to?

Basic Robot Papers for Beginners

Sep 22, 2026
2609
5 Minutes
940 Words
  • 基础
    • CLIP | 21.1 通过直接匹配图-文编码来训练
    • DINO | 21.4 以 EMA & 全局视图的教师与局部视图学生进行自蒸馏
    • BLIP | 22.1 在 CLIP 基础上添加 decoder 看图生文本
    • SigLIP | 23.3 将 CLIP 的 softmax 损失改为 sigmoid 二分类损失提升训练效率
    • LLaVA | 23.4 将 CLIP 投影到 LLM 空间并进行问答训练
    • QwenVL | 23.8 将 CLIP 通过 256 learnable-queries cross-attn 变换到 LLM 空间
  • VLA
    • 基模
      • OpenVLA | 24.6 VLM next-token-prediction 输出离散动作
      • pi0 | 24.10 MoT & FM & zero-padding
      • pi05 | 25.4 扩充 CE/互联网，FAST，subtask
      • SmolVLA | 25.6 裁剪 MoT 并交错使用 CA 和 SA 以让模型更轻量化
      • pi06 | 25.11 稀疏 RL 训练进度估计器给数据打 0/1 advantage
    • 自回归
      • G0.5 | 26.8 带 ActionCodec 和 CoT 的自回归 VLA，实验 AR > FM
  • WM
    • EnerVerse | 25.11 稀疏自回归扩散训练 Unet-VM，中间层 latent 作为 AE cross-attn kv
    • DreamDojo | 26.2 LAPA 式提取 WM 预训练 Ego 所需的 latent action condition 并将 WM 用于其他policy择优
    • Ctrl-World (for IL) | 26.3 WM simulator rollout + 人工选择后训练数据
    • PlaNet ?
    • Sora
    • V-JEPA
    • Wan
  • WM for RL
    • Dreamer to Control
    • Dreamer V3
    • World-Env
  • Cascaded WAM
  • Joint WAM
    • 扩散
      • Motus | 25.12 VM/VLM/AE 三专家 MoT
      • Lingbot-va | 26.1 自回归交错去噪 video chunk/action chunk
      • Cosmos | 26.1 单一 Cosmos 直接去噪 proprio/action/img/value token，不用投影直接广播
      • DreamZero | 26.2 单一 WAN 去噪 img/action token，带 action decoder
      • DiT4DiT | 26.3 非 MoT & 带 diffusion shift & action_to_video_only 的实践
      • FastWAM | 26.3 video gen 仅作为辅助任务
      • MotuBrain
    • Query-based 架构 (ACT-like)
      • VLA-JEPA | 26.2 query latent action 并在 JEPA 空间监督从而 leverage human video
    • Reactive
      • AHA-WAM | 26.6 Context Routing 实现 v-a 异步
      • InternW0 | 26.9 Context Routing + 力触觉
  • 奇怪的架构
    • dVLA | 25.9 用 VLM 做 discrete diffusion 同时出 image,text,action token https://www.alphaxiv.org/pdf/2509.25681
      • discrete diffusion 就是从 all mask 开始，每步出 logits 后随机确定一些 token.
  • 数据集 本文相对于其他机器人数据集的特色动机是？硬件/环境/时长？1-2句话高质量
    • RH20T | 23.7 带力和部分触觉的 4 本体 11万条，来自 haoshu
    • BridgeData V2 | 23.8 多环境 widowx6 万条
    • OXE | 23.10 室内跨本体数据
    • DROID | 24.3 单臂 Franka + robotiq 尽量多场景和物体. 350h
    • ActionNet | 24.12 傅里叶GR-1 GT-2机器人的灵巧操作数据, 30k eps
    • AgiBot World Beta| 25.3 agibot g1100万条广泛室内场景，部分带触觉
    • Galaxea Open-World | 25.8 星海图 R1 移动双臂 in-the-wild 500h
    • RoboCoin| 25.11 各种移动机器人 18 万条带详细语言标注
    • RoboMind| 25.12; 31 条异构/移动/触觉/仿真
    • Open-H-Embodimen | 26.4 医疗机器人 750h
    • MolmoAct2 | 26.5 in-the-wild 三视角 YAM
    • ABC-130K | 26.6 YAM 3500h 较灵巧任务
    • OpenNeoData | 26.9 N0 的视触觉 5000h 数据，含 TacUMI 和真机
    • SharpaDex v1.0 | 26.9 Sharpa 指尖力触觉 300h，任务看起来挺灵巧
    • EgoSteer | 26.7 ego 9600h, 遥操作以及 dagger 187h
    • RoboAtom | 26.10 有 1.69wh 的原子操作数据集
  • 无标签数据
    • ATM | 24.1 预测二维点轨迹
  • 仿真数据集
    • InternData-M1 | 25.10, 24.4w eps 的 isaac 仿真数据，随机物体场景
    • InternData-A1 | 25.11, 7433h，isaac + curobo 运动规划，涉及刚性、可动、柔性和液体 https://www.alphaxiv.org/abs/2511.16651
  • Benchmark
    • Bench2Dex | 26 灵巧手 bench, Isaac，采集的触觉数据巨大无比
  • DAgger
    • CR-DAgger 25.1 |基于导纳控制的残差 DAgger
    • RoboPocket 26.3 | UMI DAgger
    • EgoRecovery 26.7 | 人类手动摆出失败配置并纠正，提取意图调制 Gated 动作解码
  • 触觉 VLA/WAM
    • TacForesight 26.6| 以 force 预测未来 tactile 作为辅助条件
  • VLA Framework
    • FLuxVLA
    • RLinf
    • StarVLA
  • 初创
    • liber0 | 26.9 220Mh human 联训V/L/A三专家，配套机器人和手套

TODO

蒸馏一下 axi 的博客
绍兴旅游记
Article title：Basic Robot Papers for Beginners
Article author：Julyfun
Release time：Sep 22, 2026
Copyright 2026
Sitemap