這周的論文速遞我拖到周四才寫(xiě)。每年到11月底R(shí)obotics、Embodied AI、LLM這幾個(gè)標(biāo)簽下都會(huì)冒出一批趕在年底前掛出來(lái)的工作2025年第48周11月23日至29日尤其明顯。我按關(guān)鍵詞掃了三天的更新篩掉純刷榜的、只改prompt的剩下22篇值得細(xì)看。這些論文大多不是顛覆式突破但有幾個(gè)共同點(diǎn)大家開(kāi)始把大模型放下神壇認(rèn)真處理真機(jī)部署中的臟活累活仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)的關(guān)系也被重新討論評(píng)估重心明顯從“能不能完成任務(wù)”轉(zhuǎn)向“能不能穩(wěn)定、低成本地完成長(zhǎng)程任務(wù)”。如果你正在做機(jī)器人畢設(shè)、找具身智能方向的研究切入點(diǎn)或者在公司里做機(jī)器人落地方案選型這期內(nèi)容應(yīng)該能幫你省下不少掃arXiv的時(shí)間。1. 本周論文全景Robotics/Embodied AI/LLM到底在熱什么1.1 選題分布大家不約而同在做同一件事我把這一周值得看的22篇論文粗分了一下分布大概是這樣方向數(shù)量我比較關(guān)注的點(diǎn)靈巧操作與抓取6從端到端學(xué)習(xí)回到“先驗(yàn)引導(dǎo)閉環(huán)微調(diào)”仿真到現(xiàn)實(shí)遷移Sim2Real5動(dòng)態(tài)隨機(jī)化、基礎(chǔ)模型輔助域適應(yīng)世界模型與規(guī)劃3不再預(yù)測(cè)像素改預(yù)測(cè)隱狀態(tài)視覺(jué)-語(yǔ)言-動(dòng)作模型VLA4動(dòng)作分塊、推理開(kāi)銷、實(shí)時(shí)性LLM做任務(wù)規(guī)劃與錯(cuò)誤恢復(fù)4記憶模塊、反饋閉環(huán)、工具調(diào)用整體看下來(lái)純端到端“圖像進(jìn)、動(dòng)作出”的論文少了更多工作開(kāi)始把系統(tǒng)拆成幾段感知用開(kāi)放詞匯模型規(guī)劃用LLM底層控制用擴(kuò)散策略或者強(qiáng)化學(xué)習(xí)策略再用一個(gè)輕量級(jí)的閉環(huán)模塊兜底。這個(gè)轉(zhuǎn)變背后其實(shí)是工程邏輯端到端模型在實(shí)驗(yàn)室里好看但一旦換相機(jī)、換光照、換桌面紋理性能掉得讓人懷疑人生。分段式架構(gòu)雖然不酷但每個(gè)模塊都更容易單獨(dú)調(diào)試、單獨(dú)部署、單獨(dú)更換出問(wèn)題時(shí)也能快速定位。還有一個(gè)明顯信號(hào)是評(píng)估基準(zhǔn)的變化。以前大家喜歡在單一任務(wù)上刷成功率這周好幾篇工作直接上長(zhǎng)程任務(wù)打開(kāi)抽屜、拿起螺絲刀、擰螺絲、再把工具放回工具箱中間還要處理工具掉落、目標(biāo)被遮擋這類意外。長(zhǎng)程任務(wù)一上原來(lái)很多“偽魯棒”的方案立刻現(xiàn)原形。1.2 三個(gè)不能忽視的行業(yè)信號(hào)信號(hào)一大模型開(kāi)始進(jìn)控制環(huán)而不是只當(dāng)調(diào)度器。前兩年常見(jiàn)的做法是LLM根據(jù)指令生成一組子任務(wù)然后調(diào)底層寫(xiě)死的技能庫(kù)技能執(zhí)行完再把結(jié)果返回給LLM。這周好幾篇工作把這個(gè)結(jié)構(gòu)往前推了一步LLM或VLM不再滿足于“指揮”而是直接輸出可供底層執(zhí)行的動(dòng)作參數(shù)比如末端目標(biāo)位置、夾爪張開(kāi)寬度、力控閾值。這意味著對(duì)模型輸出格式的要求從“一段自然語(yǔ)言”變成“嚴(yán)格結(jié)構(gòu)化的動(dòng)作參數(shù)”反而逼著大家去規(guī)范數(shù)據(jù)接口和推理格式。我的感覺(jué)是這一步比模型參數(shù)變大更能推動(dòng)落地。信號(hào)二合成數(shù)據(jù)從輔助變成主角。以前仿真數(shù)據(jù)只是預(yù)訓(xùn)練用真機(jī)數(shù)據(jù)才是“黃金”。但這周有幾個(gè)工作直接用純合成數(shù)據(jù)訓(xùn)練抓取策略再靠一個(gè)基礎(chǔ)模型做域適應(yīng)真實(shí)環(huán)境成功率能做到和真機(jī)數(shù)據(jù)訓(xùn)練差不多。原因是現(xiàn)在域隨機(jī)化做得越來(lái)越精細(xì)紋理、光照、相機(jī)內(nèi)外參、物體物理屬性全部隨機(jī)策略被迫學(xué)到更本質(zhì)的幾何線索而不是顏色和紋理這類表面特征。合成數(shù)據(jù)的成本比真機(jī)采數(shù)據(jù)低一個(gè)數(shù)量級(jí)這對(duì)學(xué)校實(shí)驗(yàn)室和小團(tuán)隊(duì)來(lái)說(shuō)是個(gè)好消息。信號(hào)三長(zhǎng)程任務(wù)評(píng)估開(kāi)始考察“錯(cuò)誤恢復(fù)能力”。單純的成功率指標(biāo)已經(jīng)不夠看了。這周多篇論文引入“干預(yù)次數(shù)”“人類糾正反饋后的再學(xué)習(xí)能力”“失敗后重試是否還保有已完成子任務(wù)進(jìn)度”等指標(biāo)。這個(gè)變化非常實(shí)在真實(shí)機(jī)器人不可能一次成功能不能從失敗中恢復(fù)往往決定了項(xiàng)目能不能從demo走向產(chǎn)品。2. 具身智能與機(jī)器人操作幾個(gè)值得細(xì)讀的工作2.1 靈巧操作中的“先驗(yàn)微調(diào)”玩法抓取不再靠純學(xué)習(xí)這周在靈巧操作方向讓我眼前一亮的是一個(gè)“先驗(yàn)引導(dǎo)抓取”的工作。它不直接讓神經(jīng)網(wǎng)絡(luò)從原始點(diǎn)云回歸一個(gè)抓取姿態(tài)而是先用一個(gè)輕量級(jí)先驗(yàn)網(wǎng)絡(luò)從點(diǎn)云里提出幾十個(gè)候選抓取位姿再由一個(gè)閉環(huán)策略根據(jù)當(dāng)前深度圖和力覺(jué)信號(hào)從中挑選并微調(diào)。結(jié)構(gòu)和很多物體檢測(cè)里的“區(qū)域提議精修”很像好處是抓取成功率的方差明顯變小。為什么做端到端抓取的人現(xiàn)在開(kāi)始回頭用“先驗(yàn)微調(diào)”因?yàn)榧兌说蕉说木W(wǎng)絡(luò)在仿真里可以做到95%以上成功率但拿到真實(shí)環(huán)境里經(jīng)常會(huì)出現(xiàn)一種詭異現(xiàn)象訓(xùn)練時(shí)見(jiàn)過(guò)的物體形狀能抓稍微換個(gè)角度、換個(gè)背景抓取姿態(tài)就開(kāi)始亂飄。先驗(yàn)網(wǎng)絡(luò)等于給策略劃了一個(gè)“操作空間”策略只在一個(gè)相對(duì)靠譜的局部區(qū)域里做微調(diào)泛化邊界清晰很多。真機(jī)部署時(shí)光這一點(diǎn)就能省掉大量調(diào)試時(shí)間。我印象比較深的是他們實(shí)驗(yàn)里的一個(gè)細(xì)節(jié)在先驗(yàn)網(wǎng)絡(luò)給出的候選位姿中哪怕排名第30的位姿經(jīng)過(guò)閉環(huán)微調(diào)后也能達(dá)到不錯(cuò)成功率。這說(shuō)明靈巧操作的瓶頸未必是“生成位姿”本身而是“驗(yàn)證與修正”這一步不夠穩(wěn)。這給做抓取的同學(xué)一個(gè)很實(shí)際的啟發(fā)別再死磕端到端一個(gè)大模型你不如把“提議-評(píng)估-微調(diào)”拆成三個(gè)小模型各自調(diào)穩(wěn)整體效果會(huì)好很多。2.2 仿真到現(xiàn)實(shí)遷移動(dòng)態(tài)隨機(jī)化為什么會(huì)成為剛需Sim2Real方向這周沒(méi)有讓人眼一亮的“劃時(shí)代工作”但有幾篇工程做得非常扎實(shí)。它們不約而同用了同一個(gè)套路在GPU仿真器里做大規(guī)模域隨機(jī)化再用視覺(jué)基礎(chǔ)模型提取語(yǔ)義特征最后讓策略在“語(yǔ)義特征空間”里學(xué)習(xí)。這個(gè)套路值得展開(kāi)說(shuō)一下。傳統(tǒng)域隨機(jī)化是把顏色、光照、紋理全部隨機(jī)期望策略學(xué)到跟顏色無(wú)關(guān)的幾何特征。但純幾何特征對(duì)語(yǔ)義理解不夠比如“打開(kāi)一個(gè)有把手的抽屜”模型需要先知道哪個(gè)區(qū)域是把手。如果直接用原始RGB訓(xùn)練換一個(gè)沒(méi)見(jiàn)過(guò)的柜子就廢。把視覺(jué)基礎(chǔ)模型比如開(kāi)放詞匯分割模型拿到仿真圖片上做離線標(biāo)注相當(dāng)于給仿真數(shù)據(jù)自動(dòng)加了一層“語(yǔ)義標(biāo)簽”策略學(xué)習(xí)的是“把手位置、抽屜滑動(dòng)方向、末端接近角度”這些抽象信息真機(jī)上自然更穩(wěn)。我實(shí)測(cè)過(guò)類似方案最大的坑是標(biāo)注速度。開(kāi)放詞匯分割模型在單張圖上的推理時(shí)間是毫秒級(jí)但一整個(gè)仿真數(shù)據(jù)集幾十萬(wàn)張圖累計(jì)起來(lái)非?？捎^。好在這幾篇工作都把標(biāo)注過(guò)程做成離線流水線先把訓(xùn)練數(shù)據(jù)全部預(yù)處理完再進(jìn)策略訓(xùn)練。這也提醒我們做好仿真資產(chǎn)庫(kù)的標(biāo)準(zhǔn)化比臨時(shí)抱佛腳寫(xiě)腳本重要得多。2.3 世界模型預(yù)測(cè)隱狀態(tài)而不是預(yù)測(cè)下一幀圖像世界模型不是新概念但過(guò)去兩年“預(yù)測(cè)下一幀圖像”的路線很流行確實(shí)酷訓(xùn)練和推理成本也高得嚇人。這周看到的幾篇世界模型工作幾乎都轉(zhuǎn)向了“預(yù)測(cè)隱狀態(tài)”讓模型在低維特征空間里預(yù)測(cè)下一時(shí)刻的關(guān)鍵狀態(tài)比如末端位置、物體相對(duì)位姿、接觸力是否變化而不是重建整張圖像。這個(gè)轉(zhuǎn)向本質(zhì)上是把“想象”壓縮到?jīng)Q策需要的最小信息量。我舉個(gè)類比你開(kāi)車時(shí)不需要記住路邊每一棵樹(shù)的樣子只需要關(guān)心前車距離、車道線位置、自己車速。世界模型如果預(yù)測(cè)完整畫(huà)面相當(dāng)于把每一棵樹(shù)都記住浪費(fèi)算力不說(shuō)還容易學(xué)出和決策無(wú)關(guān)的虛假相關(guān)性。但這幾篇工作也有一個(gè)共同問(wèn)題隱狀態(tài)的定義依賴大量人工設(shè)定。你讓模型預(yù)測(cè)什么模型才能學(xué)什么。如果漏掉某個(gè)關(guān)鍵物理量比如“物體是否處于滑動(dòng)狀態(tài)”后面規(guī)劃就會(huì)瞎。所以世界模型離真正通用還差很遠(yuǎn)但作為“仿真器里的低成本規(guī)劃器”已經(jīng)是值得跟進(jìn)的趨勢(shì)。3. LLM與機(jī)器人結(jié)合的典型工程架構(gòu)3.1 任務(wù)分解、技能調(diào)用、閉環(huán)執(zhí)行的三層結(jié)構(gòu)這周LLM做機(jī)器人規(guī)劃的論文絕大多數(shù)還是三層架構(gòu)LLM負(fù)責(zé)任務(wù)分解技能庫(kù)負(fù)責(zé)具體動(dòng)作閉環(huán)模塊負(fù)責(zé)確認(rèn)每一步是否完成。我用偽代碼描述一下最常見(jiàn)的實(shí)現(xiàn)方式def run_task(instruction): plan llm_planner.decompose(instruction) for step in plan: if check_done(step, current_obs): continue skill skill_lib.retrieve(step) success skill.execute(current_obs) if not success: feedback analyze_failure(step, current_obs) plan llm_planner.replan(feedback)這里最關(guān)鍵的其實(shí)是兩個(gè)細(xì)節(jié)。第一個(gè)是“check_done”不能只靠LLM嘴硬判斷必須有一個(gè)基于規(guī)則的低層驗(yàn)證模塊比如檢測(cè)夾爪里是否真有物體。第二個(gè)是“analyze_failure”的輸出必須對(duì)LLM友好最好給它喂“當(dāng)前子任務(wù)是什么、期望狀態(tài)是什么、實(shí)際狀態(tài)是什么、可能原因是什么”的結(jié)構(gòu)化描述而不是丟一張模糊的圖片讓它猜。這周看到的一個(gè)反例特別典型某個(gè)系統(tǒng)讓LLM負(fù)責(zé)判斷“是否完成”結(jié)果物體沒(méi)抓起來(lái)但夾爪開(kāi)合狀態(tài)恰好符合“抓取姿勢(shì)”LLM就誤判成功。后來(lái)他們把驗(yàn)證模塊換成物體檢測(cè)網(wǎng)絡(luò)再用VLM做二次確認(rèn)成功率才上去。這說(shuō)明在工程系統(tǒng)里L(fēng)LM的“泛化”不能替代確定性判斷該用規(guī)則的時(shí)候別偷懶。3.2 記憶模塊與錯(cuò)誤恢復(fù)真正決定系統(tǒng)好不好用長(zhǎng)程任務(wù)里L(fēng)LM最大的問(wèn)題不是“第一步規(guī)劃不對(duì)”而是“做完第三步忘了第一步出錯(cuò)之后不知道回退到哪”。本周好幾篇工作都在搞記憶模塊做法大同小異不存原始日志而是讓VLM把關(guān)鍵歷史步驟壓縮成自然語(yǔ)言摘要存入向量庫(kù)每次規(guī)劃時(shí)檢索當(dāng)前相關(guān)經(jīng)歷。這里有個(gè)細(xì)節(jié)非常影響效果摘要的質(zhì)量。比如“把螺絲刀拿起”和“移動(dòng)機(jī)械臂到桌面右側(cè)約20厘米處夾爪閉合成功拿起螺絲刀”對(duì)后續(xù)錯(cuò)誤恢復(fù)的幫助完全不同。前一種是任務(wù)級(jí)描述后一種是物理級(jí)描述帶著空間位置和狀態(tài)變化。好的摘要系統(tǒng)會(huì)用VLM把每次動(dòng)作的“前置狀態(tài)-動(dòng)作-后置狀態(tài)-結(jié)果”完整記錄下來(lái)這比讓模型憑記憶復(fù)盤靠譜得多。錯(cuò)誤恢復(fù)的另一個(gè)實(shí)用技巧是“降級(jí)重試”。很多系統(tǒng)在失敗后直接讓LLM重新規(guī)劃整個(gè)任務(wù)成本高且容易丟掉進(jìn)度。這周有篇論文做得比較聰明失敗后先檢查當(dāng)前技能庫(kù)有沒(méi)有替代技能沒(méi)有的話再做局部重規(guī)劃只改失敗子任務(wù)及其后續(xù)步驟不碰已完成的前序任務(wù)。實(shí)驗(yàn)里這種局部重規(guī)劃能把任務(wù)完成時(shí)間縮短接近一半。這個(gè)思路放到工程里就是“控制回路分級(jí)”越底層的兜底越重要LLM只是最上層的大腦不該干所有臟活。3.3 端側(cè)VLM選型不是越大約好這周有幾篇論文在討論VLA模型的部署問(wèn)題核心矛盾是7B級(jí)以上的視覺(jué)語(yǔ)言模型推理延遲太高真機(jī)控制頻率根本跟不上。其實(shí)目前很多落地場(chǎng)景根本用不著復(fù)雜推理需要的是“看到螺絲刀在哪里”“抽屜是否打開(kāi)”“夾爪有沒(méi)有抓穩(wěn)”這類細(xì)粒度感知任務(wù)。參數(shù)量級(jí)內(nèi)存占用適用場(chǎng)景主要問(wèn)題1B以下小于2GB簡(jiǎn)單分類、目標(biāo)檢測(cè)、狀態(tài)判斷對(duì)復(fù)雜指代理解差3B-4B4GB左右指代分割、物料識(shí)別、失敗原因粗判復(fù)雜指令跟隨一般7B-9B8GB-12GB視覺(jué)問(wèn)答、長(zhǎng)程任務(wù)復(fù)盤、錯(cuò)誤恢復(fù)單幀推理延遲偏高需要工程優(yōu)化13B以上16GB以上復(fù)雜空間推理、精細(xì)規(guī)劃真機(jī)實(shí)時(shí)性很難保證我這一周看到最有意思的部署方案是“大小模型協(xié)同”真機(jī)上跑一個(gè)3B級(jí)別的小VLM做實(shí)時(shí)狀態(tài)判斷每到一個(gè)關(guān)鍵節(jié)點(diǎn)才把當(dāng)前幀和記憶摘要發(fā)給云端9B模型做一次深度校驗(yàn)。這樣既保證了控制頻率又保留了復(fù)雜推理能力。別看邏輯簡(jiǎn)單真正把通信中斷、結(jié)果超時(shí)、模型返回格式錯(cuò)誤都處理好并不容易。4. 復(fù)現(xiàn)實(shí)驗(yàn)記錄從環(huán)境配置到真機(jī)落地的坑4.1 依賴沖突與仿真版本花掉我兩天時(shí)間為了復(fù)現(xiàn)其中一篇操作策略我專門建了一個(gè)干凈環(huán)境結(jié)果還是被依賴問(wèn)題卡了兩天。問(wèn)題最初出現(xiàn)在torch、CUDA和仿真器版本三者不匹配上。更煩人的是某個(gè)仿真器必須用特定版本編譯器編譯換一個(gè)Python版本都會(huì)在物理引擎初始化時(shí)報(bào)“段錯(cuò)誤”。后來(lái)我學(xué)乖了第一步先查項(xiàng)目的requirements和鎖文件不要直接pip install最新版。第二步用conda創(chuàng)建獨(dú)立環(huán)境時(shí)把Python版本、CUDA版本、torch版本全部鎖死。第三步仿真器帶自定義算子的直接在Docker里構(gòu)建避免污染宿主機(jī)環(huán)境。這些經(jīng)驗(yàn)看起來(lái)基礎(chǔ)但真能省下大把時(shí)間。如果再遇到類似問(wèn)題我建議先把環(huán)境變量打開(kāi)調(diào)試模式看崩潰發(fā)生在哪個(gè)共享庫(kù)調(diào)用上。很多時(shí)候是pybind版本和新的編譯器不兼容換回老版本gcc就好。論文代碼里如果寫(xiě)了“tested on xxx”盡量分毫不差地復(fù)現(xiàn)那個(gè)組合別自作聰明升級(jí)。4.2 數(shù)據(jù)集與真機(jī)之間的“最后一米”仿真訓(xùn)練效果好、真機(jī)上線就拉胯的案例我這周復(fù)現(xiàn)了一個(gè)典型的“最后一米”問(wèn)題。同樣的策略仿真成功率90%以上真機(jī)第一次跑就瘋狂抖。查到最后發(fā)現(xiàn)是相機(jī)標(biāo)定問(wèn)題仿真里相機(jī)內(nèi)參和外參都是理想值真機(jī)鏡頭畸變導(dǎo)致深度圖邊緣誤差超過(guò)2厘米機(jī)械臂在靠近物體時(shí)控制指令來(lái)回震蕩。這個(gè)坑的核心是“仿真里的完美觀測(cè)”到“真機(jī)里的有噪觀測(cè)”之間的gap。解決辦法是前向標(biāo)定、視覺(jué)伺服、觀測(cè)濾波三步一起做。先對(duì)每臺(tái)相機(jī)做內(nèi)參標(biāo)定再用標(biāo)定板確認(rèn)機(jī)械臂基座到相機(jī)的坐標(biāo)變換最后在深度圖上做時(shí)間維濾波。真機(jī)落地時(shí)這三個(gè)步驟一個(gè)都不能少否則策略再?gòu)?qiáng)也是空中樓閣。4.3 避坑清單速查坑表現(xiàn)解決辦法訓(xùn)練Loss突然變成NaN反饋網(wǎng)絡(luò)梯度爆炸降低學(xué)習(xí)率、增加梯度裁剪、檢查動(dòng)作歸一化范圍仿真器物理穿透夾爪穿過(guò)物體提高接觸求解迭代次數(shù)、減小仿真步長(zhǎng)真機(jī)動(dòng)作抖動(dòng)到達(dá)目標(biāo)點(diǎn)附近來(lái)回震蕩調(diào)低末端速度增益、增加阻尼、檢查是否發(fā)生位姿奇異LLM輸出格式不穩(wěn)定返回多余文字導(dǎo)致解析失敗用few-shot約束輸出JSON并加規(guī)則解析兜底相機(jī)與機(jī)械臂坐標(biāo)對(duì)不上明明看到物體但抓偏重新標(biāo)定外參驗(yàn)證標(biāo)定板精度真機(jī)復(fù)現(xiàn)成功率低第一次能跑第二三次掉一半記錄每次真機(jī)運(yùn)行日志排查隨機(jī)初始位姿差異我個(gè)人覺(jué)得記錄真機(jī)日志是一件極其重要但很容易被忽略的事。復(fù)現(xiàn)論文時(shí)大家總把注意力放在模型結(jié)構(gòu)上卻忘了每一次真機(jī)運(yùn)行都是一次隨機(jī)實(shí)驗(yàn)物體位姿、光照、機(jī)械臂零點(diǎn)漂移都會(huì)影響結(jié)果。沒(méi)有完整日志你連“這次失敗是我改出來(lái)的還是環(huán)境隨機(jī)性本來(lái)就有的”都分不清。5. 下周值得繼續(xù)關(guān)注的方向5.1 多機(jī)協(xié)作和跨場(chǎng)景泛化會(huì)成為新熱點(diǎn)這周已經(jīng)有幾篇工作在做“同一技能遷移到多個(gè)機(jī)器人平臺(tái)”的實(shí)驗(yàn)思路是先學(xué)習(xí)一個(gè)與機(jī)械臂型號(hào)無(wú)關(guān)的動(dòng)作表示再在具體平臺(tái)映射到關(guān)節(jié)空間。下周我預(yù)測(cè)會(huì)有更多類似工作出現(xiàn)因?yàn)榇蠹覞u漸發(fā)現(xiàn)與其在每個(gè)平臺(tái)上各訓(xùn)一套策略不如先做一個(gè)“平臺(tái)無(wú)關(guān)層”。這個(gè)方向的門檻不低但一旦跑通價(jià)值會(huì)非常大。5.2 機(jī)器人數(shù)據(jù)標(biāo)準(zhǔn)化值得早入場(chǎng)最后想聊一個(gè)不一定像“論文”但同樣重要的話題機(jī)器人數(shù)據(jù)標(biāo)準(zhǔn)化。這周多篇論文的實(shí)驗(yàn)規(guī)模很大但數(shù)據(jù)集之間格式差異極大導(dǎo)致對(duì)比和復(fù)現(xiàn)異常痛苦。有人在自研統(tǒng)一數(shù)據(jù)格式把動(dòng)作、觀測(cè)、語(yǔ)言指令、獎(jiǎng)勵(lì)信號(hào)都塞進(jìn)同一個(gè)容器再用統(tǒng)一API讀取。我判斷未來(lái)半年會(huì)有越來(lái)越多工作選擇直接使用這種標(biāo)準(zhǔn)化數(shù)據(jù)格式提前把這塊基礎(chǔ)設(shè)施鋪好后面做實(shí)驗(yàn)會(huì)順手很多。我在實(shí)際跑完這周的工作后最深的體會(huì)是機(jī)器人這個(gè)方向論文里最值錢的往往不是那個(gè)“新模型”而是那些“讓模型在真實(shí)世界里轉(zhuǎn)起來(lái)”的細(xì)節(jié)。老師們常說(shuō)看論文要看方法但我現(xiàn)在覺(jué)得看實(shí)驗(yàn)設(shè)置、看失敗分析、看評(píng)價(jià)指標(biāo)同樣重要。哪怕你手里沒(méi)有真機(jī)只要能把仿真環(huán)境搭好把這些細(xì)節(jié)跑通就已經(jīng)比很多只在PPT上做機(jī)器人的人強(qiáng)了。