这篇文章提出了π0.5模型，通过异构数据协同训练与分层推理架构，解决了机器人在全新家庭环境中执行长视野任务的泛化难题。

待添加文章描述

这篇文章为GR-2技术报告，提出了一种基于视频-语言-动作模型的基座模型GR-2，该模型在互联网视频上进行自回归预训练（预测未来帧），再通过后训练预测视频token与动作token，能够泛化到各种机器人任务和环境。

论文提出了一个基于视觉-语言-动作（VLA）框架的层次化灵巧抓取系统DexGraspVLA，利用了视觉大模型生成域不变特征，能够实现对物体的泛化抓取。

关于GR00T N1的论文笔记，提出了一个双系统架构的VLA基础模型，用于通用人形机器人。

overview of VLA-Survey

Short summary of the post.

Short summary of the post.