开始之前
需要的基础
- 了解监督学习和基本的模仿学习流程。
- 能够检查数据集分割和机器人动作约定。
设备 & 运行环境
从发布的模型文档和离线或模拟评估开始；避免不受控制的硬件执行。
没有固定的完成时间：使用下面的证据门来决定何时推进。资源链接打开botstest目录条目；检查其发布者文档以获取确切的版本和配置。
入门
将模型假设映射到任务
决定模型输出是否可以在您的设置上进行有意义的评估。
理解这一阶段
VLA模型在特定视觉、语言和实施例假设下产生动作。在比较性能之前必须确定兼容性。
结合例子理解
教学示例 · 由 botstest 编写
对于一个操纵任务，制作一张图像输入、指令格式、动作维度、单位和机器人接口的表格。标记可用模型文档无法解析的任何字段。
- 检查模型和数据文档。
- 通过预处理追踪一个观察结果。
- 检查一个输出动作对于目标机器人意味着什么。
合理的语言响应没有说明动作表示是否与您的控制器匹配。
参考依据： OpenVLA:开源视觉-语言-动作模型。以上示例与步骤为结合参考资料编写的教学内容。
按这个顺序学习
- 图像预处理、语言输入和动作格式
- 训练分布和实施例覆盖范围
- 模型权重、许可证和计算要求
参考文章与应用练习
OpenVLA authors · 研究论文
OpenVLA:开源视觉-语言-动作模型
建议阅读： 阅读模型和数据描述，然后按照论文/代码进行您想要重现的评估。
使用模型和实施例描述来决定您的设置实际上可以支持哪些评估假设。
应用练习： 将模型输入、输出和实施例假设映射到一个候选评估任务。
动手实践
- 比较两个候选模型的记录输入和输出。
- 将一个数据集片段追踪成所选基线所需的格式。
模型/任务兼容性矩阵和一个经过验证的样本。
达到这些标准后进入下一阶段
本阶段资源
Study a vision-language-action model, its training assumptions and intended deployment interfaces.
Explore a compact VLA learning resource; verify the policy and hardware assumptions in its documentation.
Examine multi-embodiment demonstration data, metadata, licenses and action conventions.
进阶
创建匹配的评估线束
使任务、重置和度量在模型选择之间保持恒定。
理解这一阶段
构建一个评估器并保持其任务条件恒定。否则，预处理、场景选择或检查点调整可以主导比较。
结合例子理解
教学示例 · 由 botstest 编写
评估同一声明的任务集上的两个候选检查点。保持重置规则、超时和干预计数固定；仅在单独标记的烧蚀中改变图像条件。
- 在模型选择之前冻结任务和分割。
- 每次运行时保存提示和预处理。
- 包括失败、超时和等待时间记录。
如果一个模型接收到更简单的场景或不同的成功规则，则其分数不可直接比较。
参考依据： 交叉验证：评估模型表现。以上示例与步骤为结合参考资料编写的教学内容。
按这个顺序学习
- 任务分割、检查点和确定性设置
- 延迟、干预和完成度量
- 提示变更及故障分类
参考文章与应用练习
scikit-learn developers · 实践指南
交叉验证：评估模型表现
建议阅读： 阅读保留的评估讨论和适合您的数据依赖性的分割策略。
使用依赖性感知分割来保护保留的证据免受训练和调整决策的影响。
应用练习： 在选择提示、检查点或调整设置之前冻结保留的任务/场景分割。
动手实践
- 使用记录的基准协议评估小型固定任务集。
- 对一个输入条件运行消融并保持其余条件不变。
版本化的评估工具和基线比较。
达到这些标准后进入下一阶段
本阶段资源
Investigate a manipulation benchmark and preserve its task definitions, splits and evaluation conditions.
Follow robot-data recording, dataset, policy and evaluation workflows for supported hardware and software.
Build repeatable manipulation tasks in a simulated benchmark environment.
专业实践
审核稳健性和部署边界
产生模型能力的基于证据的陈述。
理解这一阶段
部署决策需要的不仅仅是基准分数。描述测试的分布和实际系统的执行限制。
结合例子理解
教学示例 · 由 botstest 编写
为所选模型构建决策表：支持的对象、视觉条件、命令接口和测量的响应定时。明确未解决未经测试的组合，而不是从相关视频中推断功能。
- 探针宣布视觉和指令变化。
- 检查对控制工作流程的影响。
- 分别写出支持、不支持和未测试的条件。
在没有单独监督的转移评估的情况下，不要将模拟成功转化为物理自主主张。
参考依据： 再现已发表的实验和结果。以上示例与步骤为结合参考资料编写的教学内容。
按这个顺序学习
- 泛化与记忆的场景条件
- 计算和控制环路约束
- 真实机器人传输和监督验证
参考文章与应用练习
robomimic core team · 技术教程
再现已发表的实验和结果
建议阅读： 在尝试发布复制品之前完成链接的训练和结果教程。
使用重现先决条件来区分可比较的实验和松散相似的演示。
应用练习： 将每个报告的结果追踪到模型、数据、环境和评估配置版本。
动手实践
- 测试一组声明的对象、语言或视觉变化。
- 编写具有不支持的条件和升级规则的部署决策。
稳健性报告、资源预算和部署准备决策。
达到这些标准后进入下一阶段
本阶段资源
Explore how manipulation policies are evaluated; separate benchmark evidence from deployment claims.
Study a manipulation data-collection workflow and its embodiment and environment assumptions.
Explore robotics simulation and synthetic scenes; check hardware requirements and release compatibility.
常见误区
- 比较来自不兼容的评估协议的标题分数。
- 将语言流畅性视为可靠的身体动作的证据。
下一步怎么走
仅在满足兼容性和延迟门之后才将评估的模型连接到监督操作项目。
探索其他 科研 条路线 →