卷三 · VLA / 模仿学习 · 高频面试题

答：BC 把专家轨迹 $(s, a^*)$ 当监督学习样本，学 $\pi_\theta(a \mid s)$ 最小化 $\|a - a^*\|^2$（连续动作）或交叉熵（离散）。

Covariate shift（协变量偏移）：策略一旦小偏离专家分布，落入未见状态 → 误差累积 → 长程任务复利崩塌，T 步误差按 $O(\epsilon T^2)$ 增长。

缓解：① DAgger — 迭代收集策略访问态 + 专家标注，几乎消除 shift；② 数据扩增（轨迹噪声/镜像/回放）；③ Action Chunking — 一次预测 K 步，把"复利"压成 $T/K$ 次；④ Diffusion Policy 多模态分布建模；⑤ 加 RL 微调（IL + RL）。

易错：BC 不是"数据多就行"——数据多但仍偏专家分布，shift 不会自动消失；需要让策略实际访问的状态分布也在数据里。

答：

• BC：监督学习直接学 $\pi(a\mid s)$；简单、需要大量演示，有 shift。场景：数据足、任务短。
• DAgger：BC + 主动学习，迭代让策略访问的新状态由专家标注；几乎消除 shift。场景：专家在线可查询（仿真 / 人在回路）。
• GAIL：生成对抗 IL，判别器区分"策略 vs 专家"轨迹，policy 通过 RL 最大化欺骗判别器；无需 reward。场景：复杂行为、reward 难写。
• IRL：反推 reward function $R(s,a)$，再 RL 求解；可解释、可泛化。场景：想理解专家"为什么这么做"。

易错：DAgger 不是 BC 的"训练 trick"，是要持续访问专家；GAIL 训练不稳（GAN 通病），机器人上较少用。

答：

• DDPG：off-policy actor-critic，确定性策略 + Q-learning；连续动作开山之作，但 Q 易过估、超参敏感。
• TD3：DDPG + 双 Q（取 min 缓过估）+ delayed actor update + target policy smoothing；稳但保守。
• SAC：max-entropy 框架，policy 输出 $\pi(\cdot\mid s) = \mathcal{N}(\mu_\theta, \sigma_\theta)$ + 自动 temperature；探索好、sample efficient。
• PPO：on-policy，clip ratio 限制策略更新；样本贵但稳，常用于 RLHF / VLA 微调。

机器人推荐：① 真机 sample 贵 → SAC（off-policy + 探索强）；② 仿真大规模 + 稳定性优先 → PPO；③ VLA + LLM 风格微调 → PPO（与 RLHF 一致）。

易错：SAC 的 entropy 不是"探索 trick"，是 max-entropy RL 的正则项；temperature α 自动调比手调好得多。

答：Mobile ALOHA = 静态 ALOHA（2×7 DoF 双臂）+ 2 维移动底盘（线速度 v、角速度 ω）= 16 维动作 / 步。

协同关键：① 同步遥操（teleop master arms 控双臂 + 操作员脚踩 base）；② Co-training：把静态 ALOHA 1000+ demos（精细操作）与 Mobile 50 demos（移动操作）混合训练，让模型继承静态数据的精细操作能力；③ ACT 架构无需改动，把 base 动作当额外 2 维直接喂进去。

结果：Mobile-only 训练成功率 ~30%；静态 + Mobile co-train ~90%（50 demos 即可完成"擦桌子 / 关门 / 烹饪"等长程任务）。

易错：Mobile ALOHA 是 16 维，不是 14（容易漏算 base 的 v/ω）；50 demos 不少，但相比传统 IL 已经极少。

答：Markov 性质：$P(s_{t+1} \mid s_t, a_t, s_{

MDP：$\langle S, A, P, R, \gamma \rangle$，假设 fully observable（agent 看到的就是真实 state）；Bellman 方程可解，DP/RL 算法都依赖它。

POMDP：加观测函数 $O$，agent 收到 $o_t = O(s_t)$ 而非真实 $s_t$；用 belief state $b_t = P(s_t \mid o_{\leq t}, a_{

机器人现实：几乎都是 POMDP（相机有限视野、力觉噪声、遮挡）；这是为什么 VLA 多用 history 帧 + 序列模型，而非单帧。

易错：POMDP 不等于"不能 RL"，只是要换 belief 或 history-conditioning。

答：

• 值迭代（VI）：反复迭代 $V_{k+1}(s) = \max_a [R(s,a) + \gamma \mathbb{E}_{s'} V_k(s')]$ 直到收敛 $V^*$，最后 $\pi^*(s) = \arg\max_a Q^*(s, a)$。
• 策略迭代（PI）：两步交替——① 评估：解线性方程组求 $V^\pi$；② 改进：$\pi'(s) = \arg\max_a Q^\pi(s, a)$。

区别：VI 每步只做"局部 max + 一步 lookahead"，便宜但需更多迭代；PI 每步评估完整 $V^\pi$，贵但收敛步数少。两者都收敛到 $V^*$。

最优值 → 最优策略：定义 $\pi^*(s) = \arg\max_a [R(s,a) + \gamma \,\mathbb{E}_{s' \sim P(\cdot \mid s,a)}\, V^*(s')]$，由 Bellman 最优方程，这就是 greedy w.r.t. $V^*$；所以 $V^*$ 解出来策略也"白送"。

易错：PI 的"评估"步在状态多时需要近似（GPI 即 partial PI）；VI 在大状态空间退化成 Q-learning。

答：

• Model-free：直接学策略 $\pi$ 或值函数 $Q$，不显式建模环境（PPO/SAC/DQN）；简单、稳，但 sample efficiency 差。
• Model-based：先学环境动力学 $\hat{P}(s'\mid s,a)$ 与 $\hat{R}$，再用模型做规划（CEM/MPPI）或 imagination 训 policy（Dreamer/MuZero）；sample efficient 5-100×。

真机首选 model-based：真机数据贵（1 次抓取 30s + reset），model-based 用 1/10 数据达到 model-free 效果。

但有坑：① Model error 累积：长程 rollout 误差爆炸（→ short horizon / 不确定性正则）；② 真机分布与模型分布不一致（→ DAgger 思路收集 on-policy 数据回训模型）。

实务路线：仿真 model-free 预训练 → 真机 model-based 精调；或 offline RL 先吃所有历史数据，再 model-based 精调。

易错：Dreamer 不是 model-free，是 model-based + latent dynamics + imagination。

答：GAE 是 advantage 估计器，在 high-variance MC 和 high-bias TD 之间用 $\lambda$ 插值：

$$\hat{A}_t^{\text{GAE}(\gamma, \lambda)} = \sum_{l=0}^\infty (\gamma\lambda)^l \delta_{t+l}, \quad \delta_t = r_t + \gamma V(s_{t+1}) - V(s_t)$$

• $\lambda=1$：纯 MC，方差大、无 bias；
• $\lambda=0$：纯 TD，方差小、有 bias；
• 实务 $\lambda \approx 0.95$, $\gamma \approx 0.99$ 是甜区。

PPO 离不开：PPO 的目标是 $\mathbb{E}[\min(r_t \hat{A}_t, \text{clip}(r_t, 1\pm\epsilon)\hat{A}_t)]$，没有 $\hat{A}$ 就没有 PPO。GAE 给 $\hat{A}$ 提供低方差估计，是 PPO 在机器人/RLHF 上稳定收敛的关键。

易错：GAE 不是"PPO 专属"，TRPO / A3C 都能用；但 PPO clip + GAE 是最常见组合。

答：

胜出原因：① DINOv2 补足空间几何——CLIP/SigLIP 偏语义弱几何，DINOv2 自监督预训练对空间结构更敏感；② Llama-2 web 文本 + 代码预训练更稳；③ 全开源使社区微调迭代更快。

易错：OpenVLA 不是"小胜大"玄学——是同等 fine-tune 量上的工程整合优势；零样本新任务上 RT-2-X 仍可能更强。

答：方案：动作向量 7 维 = [Δx, Δy, Δz, Δroll, Δpitch, Δyaw, gripper]，每维正态化到 $[-1, 1]$，再离散化为 256 个 bin；取 LLM 词表里最不常用的 256 个 token 复用为"动作 token"。一步动作 = 7 个 token，与文本 token 同混训。

有效：① 复用 LLM 的 token embedding + 自回归解码，直接利用 web 知识；② co-finetune 文本 + 机器人数据，VLM 的常识能迁移；③ scale up 自然。

低效：① 7 token 串行 AR 解码，单步推理 = 7 forward；chunk K 步则 $7K$ forward；OpenVLA 6 Hz 慢的根源。② 动作复用 LLM token 不是"自然"的——精度不足、跨任务泛化弱。

改进：① OpenVLA-OFT 用并行解码 + 连续动作头；② π0-FAST 用 DCT + BPE 把 chunk 压成更少 token。

易错：256 bin 不是"够细"，是 VLM 复用的权衡；高精度任务（< 0.1 mm 插针）必失效。

答：

• π0（2024-10）：PaliGemma 3B（VLM）+ Action Expert 300M（独立 Flow Matching 动作头）+ 50 Hz 控制 + chunk H = 50。
• π0.5（2025）：核心是开放世界泛化 + 多源 co-training，让 π0 框架在更多任务/场景/embodiment 上稳定迁移；KI（Knowledge Insulation）是 π0.5 框架的后续扩展，隔离 VLM 与 Action Expert 梯度防止动作训练污染语言/视觉能力。
• **π0.6 / π*0.6（2025-11）：核心创新 RECAP**——把示教数据当 offline RL 用，advantage-conditioned 采样，强化"好动作 token"权重。
• π0.7（2026-04）：最新发布。

KI 解决什么：早期版本动作微调梯度反传会破坏 VLM 的语言/视觉理解（灾难性遗忘）；KI 用 stop-gradient + 双路梯度让两个模块各学各的。

易错：RECAP 属于 π0.6，不是 π0.5；π0.5 主体是"开放世界泛化"，KI 是配套扩展工作；π0.7 是 2026-04 发布。

答：

trade-off：

• Head 太轻（Octo）→ 多模态动作分布建模能力受限，复杂任务难。
• Head 太重（RDT）→ 表达力强但推理慢、训练贵。
• GR00T-N1 中庸路线，借鉴 π0 的 backbone + expert 拆分思路。

易错：RDT-1B 不是"另一个 OpenVLA"——它没用 LLM token 离散化，直接 backbone 当 denoiser；这是与 OpenVLA / RT-2 范式不同的"端到端 diffusion VLA"。

答：FAST = DCT → scale → round → flatten → BPE，五步缺一不可。

1. DCT（Discrete Cosine Transform）：把 H 步 × D 维动作 chunk 转频域，主要能量集中低频。
2. Scale：把 DCT 系数缩放到合适整数范围（e.g. ±100）。
3. Round：离散化为整数。
4. Flatten：二维 (H × D) → 一维序列。
5. BPE：用预训练 BPE tokenizer 把常见短模式压成单 token。

高效 10× 原因：① DCT 集中能量，高频系数大多 ≈ 0，round 后变长串 0；② BPE 把这些重复模式压成 1-2 token；③ chunk 越长压缩比越高（H=50 时尤甚）。

效果：π0-FAST 在同样 chunk 下，token 数从 ~400 降到 ~40，推理速度 5-10× 提升。

易错：FAST 不是 "DCT 单独用"，BPE 是关键；少一步压缩比就不够。

答：离散化方案：取每维动作（7 维（6-DoF 末端位姿 + 1 维 gripper））在训练集的 1%-99% 分位数区间，等分成 256 个 bin；超界截断。每个 bin 复用 LLM 词表里最不常用的 256 个 token。

失效场景：

1. 高精度任务（< 0.1 mm 插针、拧螺丝）：256 bin 在 ±10 cm 量程下分辨率 ≈ 0.8 mm，精度不够。
2. 极端动作：超 99% 分位被截断，剧烈动作不能表达。
3. 多模态动作：256 bin 是单峰离散分布，难以表达"两条专家路径"这种多模态结构。

改进：① OpenVLA-OFT 换成连续动作头 + L1 回归；② π0 用 Flow Matching 连续动作建模；③ FAST tokenizer 提高压缩比同时保精度。

易错：256 bin 不是 OpenVLA 独创，RT-2 也是；这是 VLM 复用方案的固有局限。

答：

• RT-1（2022）：EfficientNet + FiLM + Token Learner；130K 真机数据；首个 large-scale robot Transformer paradigm，但无 web 知识。
• RT-2（2023）：PaLI-X 55B / PaLM-E 12B + 动作 token + co-finetune（web + robot data）；首次把 web 知识灌入 robot policy。
• RT-X（2023-10）：RT-1 / RT-2 在 Open-X-Embodiment（~60 datasets / 22 embodiments / 1M+ trajectories）上跨形态训练（实验用 robotics mixture 子集），验证跨 embodiment 泛化。OpenVLA 后续用 OXE 中约 970K curated demos 微调。

主线：RT-1 证 paradigm → RT-2 引 web 先验 → RT-X 验证联合训练。OpenVLA 是 RT-X 路线的开源版。

易错：RT-2 核心是 co-finetune 引入 web 数据，不是"放大版 RT-1"。

答：π0 backbone = PaliGemma（SigLIP-400M 视觉编码器 + Gemma-2B 语言模型）。

选择原因：

1. 已对齐的 VLM：PaliGemma 是 Google 联合预训练好的 vision-language 模型，比 "Llama + 外挂 ViT" 拼接更稳。
2. Gemma-2B 够小：50 Hz 高频推理（20 ms / step）要求 backbone 轻量；Llama-2 7B 在消费级 GPU 上跑不到 50 Hz。
3. Apache 2.0 协议：商用友好，机器人公司容易落地。
4. Multimodal projector 现成：图像 → 文本 token 的投影层已训练好。

不用 Llama：① text-only，需要再接视觉；② 7B 太重；③ Meta 协议有限制。

易错：PaliGemma ≠ Gemma——PaliGemma 含 SigLIP 视觉；说成 "π0 用 Llama" 是常见错（OpenVLA 才用 Llama-2 7B）。

答：π0 结构：PaliGemma 3B（VLM，frozen 或 LoRA） + Action Expert 300M（独立 Flow Matching 网络）。

拆出原因：

1. 负载分层：每次重算 chunk，VLM forward 一次产条件特征；Action Expert 走约 10 步 flow ODE。重算频率由 execution horizon / async 决定（不是固定 1 Hz）。
2. 训练目标不同：VLM 是 AR 语义损失，Action Expert 是 Flow Matching 速度场回归；放一起训会互相干扰。
3. 隔离梯度（KI 思想）：动作微调不应破坏 VLM 的语言/视觉理解。

交互：VLM 编码 → 条件特征 $c$ → Action Expert 接 $(c, \text{noisy chunk}, \tau)$ → 约 10 步 ODE 出干净 chunk。chunk H=50 在 50 Hz 下覆盖 ~1 秒。

易错：Action Expert 是 joint training（不是独立）；H=50 = 覆盖时长，不等于"每秒重算一次"。

答：建模：把动作分布 $\pi(a \mid s)$ 用 score-based diffusion 建模。

• 训练：在专家动作 $a^*$ 上加噪 $a_\tau = \sqrt{\bar\alpha_\tau} a^* + \sqrt{1-\bar\alpha_\tau}\,\varepsilon$，学噪声预测器 $\varepsilon_\theta(a_\tau, \tau, s)$。
• 推理：从 $\varepsilon \sim \mathcal{N}(0, I)$ 起，反向 SDE/ODE 逐步 denoise 到 $a$（DDPM 50 步 / DDIM 10-20 步）。

vs BC 优势：

1. 多模态分布：BC 回归会"平均"多专家路径输出"中间"不可执行动作；diffusion 显式建模多峰。
2. chunk 一次生成：天然支持 K 步动作 chunk（去噪整段而非单步）。
3. 长尾任务更稳：噪声扰动训练相当于隐式数据增强。

缺点：① 推理慢（10-50 step），高频控制需并行/蒸馏；② 训练目标对噪声调度敏感。

易错：Diffusion Policy 不是"在 BC loss 上加噪声"，是完全不同的 score-based 框架。

答：Flow Matching 优点：

1. 训练更稳：学速度场 $v_\theta$ 回归 $v^* = x_1 - x_0$，数值范围紧凑；diffusion 学 $\varepsilon$ 范围大、训练易抖。
2. 推理步数少：10 步 ODE 即可 vs DDPM 50 步；省去 cosine/linear schedule 超参。
3. 路径显式：$x_\tau = \tau x_1 + (1-\tau) x_0$，方差 $(1-\tau)^2 I$（不是 $(1-\tau) I$，常见笔误）。

50 Hz 工程考量：控制频率 50 Hz（20 ms / step）由底层执行端按 chunk 消耗动作。H=50 = 覆盖时长 ≈1 秒；重规划频率由 execution horizon / temporal ensemble / 异步队列决定，不是固定 1 Hz。

易错：50 Hz = 控制频率，H=50 = 覆盖时长，两者不要混成"每秒重算一次 chunk"。

答：本质区别：

机器人流行原因：

1. 推理快：10 ODE step vs 50 SDE step，高频控制可行。
2. 训练稳：速度场数值范围紧凑，loss 不爆炸。
3. 超参少：无需选 cosine/linear 调度。
4. 理论统一：Diffusion 是 FM 的特例（特定路径下）。

易错：FM 不是 Diffusion 的"加速版"，是更通用框架；Diffusion 可看作 FM 在特定路径上的实例。

答：训练同一 $\varepsilon_\theta$，部署时按需选采样器。

• DDPM：reverse SDE，stochastic，50+ step；高质量但慢；适合离线生成/训练监督。
• DDIM：reverse ODE，deterministic，10-20 step 可达 DDPM 50 步质量；适合实时机器人。

步数选择：

• 实时 50 Hz 控制 → DDIM 10 步（≈ 20 ms / chunk）。
• 离线评估 / 高质量生成 → DDPM 50 步。
• 一般任务 → DDIM 20 步是甜区。

DDIM 早期 OOD 坑：DDIM 在去噪早期步（$\tau$ 接近 1，即接近纯噪声）对 OOD 状态敏感，可能输出非平滑动作；Reactive DP / 调度优化可缓解。

易错：DDIM 不是"绝对不如 DDPM"——它在 chunk 中段/后段表现一致，只是早期 OOD 步需要小心。

答：

口诀："ACT 出拳快，DP 内功深"。

选择：

1. 任务有多专家路径（多解）→ DP。
2. 任务单解但精度高 → ACT。
3. 实时 50 Hz 严苛 → ACT。
4. 多任务通用 backbone → DP（配合并行加速）。

易错：DP 不是"通用更好"；在 ALOHA 一类精细任务上 ACT 仍是 SOTA 之一。

答：问题：DP 推理 10-50 step，高频接触控制不可行。

Reactive Diffusion Policy（RDP）：双层架构——slow planner（重型 visual-tactile diffusion，低频生成 chunk）+ fast reactive policy / controller（轻量、高频，根据实时触觉/力觉做微调）。针对接触丰富任务，关键是低延迟反馈。

Slow-Fast Diffusion Policy：思路类似——slow 大模型离线/低频生成动作 chunk 候选，fast 小 policy 在线选择 + 调整；与双系统 VLA 的"S1 / S2"同构。

共同思路：把"慢的多模态生成"和"快的反应执行"解耦，重 DP 推理移到低频通路，高频通路用轻量 head；接触任务上比纯 DP 显著更稳。

易错：RDP 不只是"并行去噪 / streaming"——核心是 slow planner + fast reactive controller 的双层；模型权重也分两套。

答：Action Chunking：策略一次预测 K 步连续动作 $a_{t:t+K}$ 而非单步 $a_t$。

执行方式：

• Open-loop：执行整个 chunk 再重新规划。
• Receding-horizon：执行 1 步重规划，类似 MPC。
• Ensemble：多 chunk 重叠用 EMA / 投票（ACT 用法）。

好处：

1. 减少高频推理开销：K 倍。
2. 平滑动作：相邻步内插值好，减少抖动。
3. 显式建模时序相关性：尤其 diffusion / flow 类策略受益。
4. 缓解复合误差：T 步任务的"高层决策点"从 T 降到 $T/K$，整体偏离专家分布的次数变少；但 chunk 内仍是 open-loop，不能严格消除 covariate shift。

块大小：

• ALOHA / 精细操作：K = 8-16（160-320 ms）。
• π0：K = 50（50 Hz 下 1 秒，长程任务）。
• 任务变化慢可更长；环境多变需更短。

易错：chunk 太长牺牲反应性（环境突变前已锁死动作）；4-16 在 manipulation 上是甜区。

答：ACT 结构（ALOHA 团队 2023）：Encoder-Decoder Transformer + CVAE。

• Encoder：图像 + proprio + 文本指令 → 上下文特征。
• Decoder：自回归 / 一次性输出 K 步动作 chunk。
• CVAE：训练时额外 encoder 把 (动作 chunk, 观测) → latent $z$，KL 正则到 $\mathcal{N}(0, I)$；decoder 用 $(z, \text{观测})$ 还原 chunk。
• 推理时不用 encoder：直接 $z = 0$（mean）→ decoder 出 chunk。

CVAE 解决的问题：多模态动作分布。直接 MSE 回归 chunk 会把"专家 A 走左路 / 专家 B 走右路"平均成"中间路"（物理不可执行）。CVAE 让 $z$ 编码"走哪条路的意图"，推理 $z=0$ 输出某条代表性路径而非 mean。

易错：ACT 推理用 $z=0$ 不是"取所有路径平均"，而是"取 prior 的 mode"，仍是某条具体路径。

答：复合误差（compounding error）：BC 在每步犯小错 $\epsilon$，T 步后误差累积为 $O(\epsilon T^2)$（在最坏情况下二次增长）；策略一旦偏离专家分布，错误像复利一样雪崩。

Action Chunking 缓解：一次决策 K 步，等价于把 T 步轨迹划成 $T/K$ 个"决策点"，chunk 内动作 joint 预测，不会因单步偏离累积；只在 chunk 之间的决策点处可能累积。

直觉：高层重规划次数从 $T$ 降到 $T/K$，复合误差量级随之缩小；但 chunk 内部仍是 open-loop，环境扰动或专家不一致仍会让单 chunk 内误差累积，因此并非"严格平方降阶"。

实证：ACT 论文中较大 chunk 在插针等高精度任务上显著优于单步；最佳 K 与任务变化率相关，过长牺牲反应性。

易错：chunking 不解决"OOD 状态"本身——只减少"高层决策点数量"；仍需 DAgger / 数据多样性来覆盖 OOD。

答：$z = 0$ 的局限：取 prior 的 mode → 在多模态任务上退化为"代表性单解"路径，丢失探索性；如果训练分布里多策略权重接近，$z = 0$ 可能落在"平均路"附近，物理仍不可执行。

为什么不随机采样 $z \sim \mathcal{N}(0, I)$：连续步骤独立采样 → 策略不连续（前 1 秒走左、后 1 秒走右）。解法是 chunk 边界冻结 $z$（同一 episode 内固定）或 temporal ensemble 平均；纯随机采样实务上比 $z = 0$ 还差。

KL 权重 β 调参（β-VAE 视角）：

• β 过大 → posterior collapse，$z$ 失活（编码器输出近 $\mathcal{N}(0, I)$，无信息），decoder 退化为 MSE。
• β 过小 → $z$ 太"任性"，推理 $z = 0$ 不再"代表性"。
• ACT 实务：β 取 $\sim$10 或更小；动作 reconstruction loss 权重 1.0；常监控 KL 项是否近 0（collapse 信号）。

易错：KL collapse 是 ACT 训练最常见陷阱——KL → 0 不等于"训练好了"，是 latent 失活；要看 reconstruction 是否真的依赖 $z$。

答：Open-X-Embodiment（OXE）：2023-10 Google 联合 21 个 lab 发布，约 60 个数据集 / 22 种 embodiment / 1M+ 轨迹（OpenVLA 训练用其中 curated ~970K 子集）。是迄今最大的跨实验室、跨形态机器人数据集。

解决的问题：

1. 单 lab 数据量太小（< 100K），scale 不起来。
2. 跨形态无数据：每 lab 用不同机器人，无法对比/合并。
3. 任务覆盖窄：单数据集多为 pick & place，缺多样性。

对 VLA 泛化的影响：

• RT-X 论文实证：在 OXE 上联合训练比单数据集训练，跨场景成功率显著提升。
• 数据多样性（任务 / 场景 / embodiment）比数据量本身更关键。
• OpenVLA / π0 都以 OXE 为预训练基础。

易错：OXE ≠ 一个统一格式的数据集，是 ~60 个原始数据集 + RLDS 统一接口；动作空间标准化到 7 维末端 + gripper（不足补 0）。

答：SigLIP 与 DINOv2 各有所长：

• SigLIP（image-text contrastive）：偏语义（"杯子" → 杯子图像），对自然语言强对齐。
• DINOv2（自监督）：偏空间几何（深度、表面纹理、空间结构），对场景结构敏感。

双路融合：两个编码器各出 patch tokens，channel-wise concat（不是 cross-attention），喂给 LLM。

只用 SigLIP 不行：

1. SigLIP / CLIP 对空间几何弱——能识别"杯子"但不知"杯子距夹爪 5 cm 偏左"。
2. 机器人操作高度依赖空间推理（抓取位姿、避障）。
3. Prismatic VLM 论文实证：双路 > SigLIP > DINOv2 > CLIP，在 robotics benchmark 上差距明显。

易错：双路融合不是 ensemble，是同时给 LLM 输入两套 tokens；LLM 自己学如何用。

答：

Token 化方案：

• VLM：仅 text token（如 32K vocab）。

• VLA：text token + action token——

  • 离散方案（RT-2 / OpenVLA）：每维动作 256 bin，复用 LLM 词表最不常用 256 token；一步 7 维 = 7 token。
  • 连续方案（π0 / RDT）：action 不 token 化，直接由独立 Action Expert（Flow Matching / Diffusion）输出。
  • FAST：DCT + BPE 把 chunk 压成更少 token，介于两者之间。

易错：VLA 不是 "VLM 加个 head" 就完事——训练时要 co-finetune 机器人数据，否则 VLM 在动作分布上零样本不行。

答：Connector = 把视觉特征对齐到 LLM 输入空间的模块。

VLA 实务：

• Projection（OpenVLA / Prismatic）：简单、稳；token 数多（256-576 / 图）但 LLM 能扛。
• Q-Former：复杂、训练不稳；VLA 上较少用。
• Cross-Attention：需改 LLM 架构；不便于直接用现成 VLM 权重。

易错：Q-Former 不是"更先进"——LLaVA 系列证明 projection 简单 + 数据多反而更好。

答：

• Bridge / BridgeData V2（2023）：多场景多任务，约 60K 轨迹；早期跨任务 IL 基础数据集；任务集中在 pick & place + 简单 manipulation。
• DROID（2024）：约 564 个场景 / 350 小时 / 76K demonstrations / ~86 tasks（arXiv 摘要写 84，项目页 86，版本口径差异）；多样性 SOTA，被誉为"野外"机器人数据集。

Open-X 关系：Bridge V2 是 OXE 子集；DROID 不在 OXE 原始发布的约 60 个数据集中——OXE（2023-10）早于 DROID（2024）发布，但二者常被联合用于后续训练 / fine-tune。

训练用法：

• OpenVLA / π0：先在 OXE 上预训练（含 Bridge 等）。
• DROID 常作为后续大规模 fine-tune 源（场景泛化）。
• Bridge 常作为评估 baseline。

易错：DROID 不是"OXE 子集"——它是后续发布、独立维护的数据集；常与 OXE 联合用但出处不同。

答：现象：fine-tune VLA on task A 后，task B 性能掉；或 web 知识被动作微调"洗掉"。

解法：

1. LoRA — 冻结大部分参数，只训低秩适配；保留预训练知识。
2. Co-training（联合训练） — 把所有任务 / 多数据集混训，共享 backbone；OpenVLA 在 OXE ~60 datasets 上的做法。
3. Rehearsal — 持续学习时保留旧任务数据，定期 replay 防遗忘。
4. KI（Knowledge Insulation，π0.5） — 隔离 VLM 与 Action Expert 的梯度，VLM 不被动作训练污染。
5. Task-conditional LoRA — 每任务一组 LoRA 权重，推理时按 task ID 加载。

跨域联合训练：① 按比例采样（按 dataset 大小开根号防大数据集 dominate）；② Embodiment token 告诉模型当前数据集；③ Action 标准化到统一 7 维末端 + gripper（不足补 0）。

易错：LoRA 不能完全避免遗忘——LoRA 矩阵也会"污染"前向；真正抗遗忘还需配合 KI 或 frozen backbone。

答：问题：不同机器人 DoF 不同（7-DoF Franka/Panda、6-DoF UR5e、14-DoF ALOHA 双臂、16-DoF Mobile ALOHA）。

RT-X / OpenVLA（单臂主流）：canonicalize 到 7 维 end-effector [Δx, Δy, Δz, Δroll, Δpitch, Δyaw, gripper]——不同关节配置通过 IK 映射到同一末端空间。

双臂 / 移动：保留原维度（14 / 16），用 embodiment-specific action head 或 padding mask 兼容；不能截断到 7D，否则丢第二臂或底盘动作。

Octo：可变长 action token + padding mask。

关键技巧：① embodiment-conditional token 告诉模型形态；② 动作按数据集 1%-99% 分位归一化；③ dataset 按大小开根号采样。

易错：单臂场景才能 7D canonicalization；双臂/移动需 embodiment-specific head + mask。

答：慢的原因：

1. AR 串行解码：每步动作 = 7 token 串行 forward（chunk K 步 = $7K$ forward）。
2. Llama-2 7B 单 forward 在 4090 上 30-50 ms。
3. 无 KV cache 复用：多帧观测每次重算。

主流加速方案：

1. OpenVLA-OFT：并行解码 + 连续动作头 + L1 回归，5-10× 提速。
2. TinyVLA / SpatialVLA：蒸馏到 1-2B；牺牲精度换速度。
3. 量化：INT8 / INT4，2-4× 提速，精度损失 < 5%。
4. 推理引擎：vLLM / TensorRT / FlashAttention-2。
5. KV cache 复用：多帧观测共享 KV，减少重复计算。
6. Chunking + 异步：chunk 内 open-loop 执行，下一 chunk 重叠推理。

易错：OpenVLA 是 6 Hz（4090，未优化），不是 7 Hz——网传 7 Hz 是常见错传。

答：4 套方案：

1. Action Chunking + open-loop：

   • 模型 5 Hz 输出 chunk K = 10（覆盖 0.2 秒）；
   • 机器人按 50 Hz 顺序执行 chunk 内动作 + 插值。
   • 简单稳，是 π0 / OpenVLA 默认做法。

2. 双系统 VLA：

   • System 2 大 VLM 5 Hz 输出高层"语义子目标"；
   • System 1 小 policy 50 Hz 出 low-level action。
   • 代表：Figure Helix、GR00T N1。

3. 异步流水线：

   • 当前 chunk 执行中，下一 chunk 已开始推理（overlap）；
   • 推理 latency 被掩盖在执行时间里。

4. 底层控制器兜底：

   • 模型出 desired joint pos / velocity，底层 PID / impedance 控制器在 50 Hz / 1 kHz 跟踪；
   • 模型只管"目标"，控制器管"如何到达"。

实务组合：① + ④ 最常见——chunking + 底层控制器。

易错：不要试图"把模型做到 50 Hz"——50 Hz × 7B 模型 = 350 GFLOPS / s，4090 也吃力；架构上把高频部分剥离才对。

答：LoRA：在 attention 的 $Q/K/V/O$ 矩阵上加低秩适配 $\Delta W = BA$（$r \ll d$）。

冻结策略（VLA 实务）：

• 全冻结：视觉编码器（SigLIP / DINOv2）+ LLM backbone。
• 训练：LoRA 矩阵 + action head（含 Action Expert 等）+ optional 视觉 projector LoRA。

超参经验：

• rank $r$ = 4-16；
• alpha = $2r$（缩放因子）；
• 学习率 1e-4 ~ 5e-4；
• 目标模块：attention 的 $Q, K, V, O$（不一定全加）。

OpenVLA 推荐 LoRA 原因：

1. 消费级硬件友好：7B 全参微调需 8×A100；LoRA 单 4090（24 GB）可微调。
2. 不破坏 web 知识：大部分参数 frozen，VLM 通识保留。
3. 社区迭代快：每任务 ~MB 级 LoRA 权重，易共享。
4. 可组合：多任务 LoRA 可加权组合。

易错：LoRA rank 不是越大越好；rank 太大 = 全参微调，丢了"防遗忘"的优势。

答：Prefix-LM attention：

• Prefix 部分（图像 token + 系统 prompt）：bidirectional，互相可见。
• Suffix 部分（生成 / 动作 token）：causal mask，只能看前面。

对比：

• 纯 causal LM（GPT 风格）：所有 token 都因果；图像 token 只能看到自己之前的，视觉理解受限。
• 纯 bidirectional（BERT 风格）：不能 AR 生成。
• Prefix-LM：兼顾——图像 token 间信息充分流通，生成 token 仍是 AR。

对 VLA 的价值：

1. 图像 patch token 互相可见 → 空间推理更强。
2. 动作 token 因果 → 仍是 AR 解码，与 LLM 训练范式兼容。
3. π0 借鉴此设计：visual + text prefix（双向） + action token（因果）。

易错：Prefix-LM 不是"所有 token 都双向"——只有 prefix 部分双向；suffix 仍是 causal，否则没法 AR 生成。

答：OFT recipe = parallel decoding + action chunking + continuous actions + L1 regression（OpenVLA-OFT, arXiv:2502.19645）。

1. Parallel Decoding：抛弃 AR 串行（原 OpenVLA: 7 token/步），一次 forward 同时出 chunk 全部 $K \times 7$ 个动作分量（[ACTION] 占位 + bidirectional attention）。
2. Action Chunking：与 parallel 协同放大加速。
3. Continuous Action Head：放弃 256-bin，小 MLP 直接回归连续动作，无量化误差。
4. L1 Loss：比 L2 对 outlier / 噪声专家动作更鲁棒。

论文报告：action 生成吞吐 ≈ 26×、单 step latency ≈ 3× 改善；精度也提升。

易错：OFT 重训了 action head，不能直接套用 OpenVLA checkpoint。

答：还原流程：

1. LLM 输出动作 token → 查表得 bin index $i \in [0, 255]$。
2. Bin 中心还原：每维动作在训练集 1%-99% 分位区间等分 256 bin，token $i$ → bin 中心值 $\hat{a}_{\text{norm}} = -1 + (i + 0.5)/256 \times 2$。
3. 反归一化：用训练集的 $(\min, \max)$ 还原到物理量纲 $a = \hat{a}_{\text{norm}} \cdot (\max - \min)/2 + \text{mid}$。

反量化误差：

• 每维 ~ $1/256 \approx 0.39\%$ 量程；
• 在 ±10 cm 末端位置上 ≈ 0.78 mm 精度；
• 对粗操作够用，对插针 / 拧螺丝（< 0.1 mm）不够。

处理方法：

1. 任务允许就直接用。
2. 高精度任务换 OpenVLA-OFT 连续头。
3. 加 PID / impedance 后端 closed-loop 兜底（模型出 desired，控制器精确跟踪）。

易错：256 bin 不是"够细"，是 VLM 复用的权衡；精度需求高必须换连续头。

答：Domain Randomization（DR）：训练时随机化仿真参数，强迫 policy 在分布外参数下仍鲁棒；本质是数据增强 + 隐式 domain adaptation。

核心理念：让仿真分布 覆盖 真实分布，policy 在 sim 上鲁棒 = 在真机也鲁棒。

常见维度：

VLA / Sim2Real 用法：

1. Sim 大规模 DR 训练（pretrain）；
2. 真机 demos fine-tune（domain adaptation）；
3. 与 RMA 配合：RMA 引入 latent 编码当前 domain，online 推断；DR + RMA 比纯 DR 强。

易错：DR 不是"越多越好"——过强会使任务无解，训练发散；需 curriculum（先弱后强）。

答：Gap 来源：① 视觉（渲染 vs 真实噪声/光照）；② 物理（摩擦/接触/软体/关节弹性仿不准）；③ 控制（仿真无延迟 vs 真机 5-20 ms 延迟）；④ 传感器（IMU 漂移、力觉噪声）。

缩小方法：

1. DR（sim 端扩分布）；
2. System ID（真机数据校准仿真参数）；
3. Real-world fine-tune：sim 预训练 + 真机 200-500 demos 精调（最稳）；
4. Visual transfer（GAN / NeRF 渲染 photo-realistic）；
5. Privileged + Distillation（sim 用真值训，蒸馏给只用图像的 student，RMA 思路）。

项目实务：Isaac Gym + DR 预训练（~100 GPU 小时）→ 真机 ~300 demos fine-tune（~1 小时）。

易错：sim 训好不能直接用；真机 fine-tune 几乎必须，差异只是 demos 数量。

答：源自 Kahneman 双系统理论：S1 直觉快、S2 推理慢。

VLA 映射：

• System 1：小模型（< 1B），50-100 Hz，执行 atomic skills。
• System 2：大 VLM（3-10B），1-5 Hz，做高层任务分解 / 推理 / 重规划。

协同：① S2 → S1 输出语义子目标（"抓杯子"）或 latent goal；② S1 检测异常 / 完成 → trigger S2 重规划；③ S2 在 S1 执行间隙异步推理，streaming 喂给 S1。

代表：Figure Helix、GR00T-N1、FiS、Hume。

解决：单端到端 VLA 无法同时满足"long-horizon planning + high-freq control"——双系统兼顾推理深度 + 控制频率。

易错：双系统是分工 + 异步，不是集成学习；S1 / S2 是完全不同的模型，频率差 10-50×。

答：

主流：当前模仿学习派规模化能力更强（Tesla / 小鹏量产）；但安全和长尾上 hybrid 仍是趋势——主体 IL + 关键场景 RL 兜底。

与机器人 VLA 区别：

• 自动驾驶动作维度小（2-4 维：转向 + 油门 + 刹车）；机器人 7-16+ 维。
• 自动驾驶任务结构化（道路 / 路标 / 信号灯），机器人开放场景。
• 自动驾驶决策周期长（秒级），机器人毫秒级。

易错：自动驾驶 VLA 和机器人物理操作 VLA 是两个赛道，技术栈重叠但落地路径完全不同。

答：核心矛盾：纯模型研究者擅长 sim / dataset SOTA，但具身岗的真正需求是"模型 + 系统 + 落地"三栖人才。

真机部署的隐藏成本：

1. 控制频率约束——50 Hz 控制 + 6 Hz 推理怎么协调。
2. 硬件接口——ROS / 自研 SDK / EtherCAT 通讯。
3. 数据采集 pipeline——teleop / VR / kinematic retargeting。
4. 长程任务稳定性——多步串联时累积误差。
5. 安全机制——力限 / 紧急停止 / 错误恢复。

求职者要懂：

1. 真机数据采集（teleop 至少跑通一次）。
2. 部署 pipeline（ROS 基础 + 至少一种实时通讯）。
3. 控制基础（PID / impedance / MPC 概念）。
4. 至少一个 closed-loop 真机 demo（哪怕是 LeRobot 复现的简单任务）。

面试官的潜台词：能不能让模型在真机上跑起来 ≠ paper SOTA。

易错：在简历里写"OpenVLA / π0 实现"但没真机验证，面试官会重点拷打你的 demo 视频。

答：现状：没有公认的 robot scaling law——曲线远不如 LLM Chinchilla 清晰。

论据：

• RT-2（55B）比 OpenVLA（7B）提升幅度有限；
• 数据量（OXE 970K）远小于 LLM 训练量（10T+ tokens）；
• closed-loop 评估稀缺，scaling 曲线难稳定测量。

最难 scale 的维度：

1. 数据 >> 模型 >> 算力——
2. 数据：① 真机数据采集 1 人 1 天 100 demos，scale 到 10M+ 需上千人年；② 跨 embodiment / 任务多样性是数据，不是数量；③ 缺乏 self-supervised pretrain 路径（视频是 action-free）。
3. 模型：参数好加，但小模型 + 多数据当前回报更高。
4. 算力：单次训练成本可控（OpenVLA 数千 GPU 小时）；瓶颈在数据。

关键观察：scaling 的回报在 "跨 embodiment / 跨任务" 上比 "单任务参数量" 明显——这是为什么 OXE 比 single-lab 数据有用。

易错：不要照搬 Chinchilla 20:1 token:param——机器人 token 信息密度远低于自然语言。

答：RECAP = RL with Experience and Corrections via Advantage-conditioned Policies（π*0.6，2025-11，arXiv:2511.14759）。

核心三件事：

1. 异构数据：demos + on-policy rollouts + teleoperated corrections。
2. Advantage-conditioned 训练：估算 $A(s,a)$，把 advantage 作为 condition 喂回 policy（类似 DT 的 return-conditioned）。
3. 推理时 condition on high advantage：生成高质量动作。

易错：RECAP 不是 reward-weighted regression、也不是 reward-model + PPO；是条件生成式 advantage-conditioned VLA RL；数据上不只 offline demos，还吃 corrections 与 on-policy rollouts。

答：核心差距 = 数据 > 模型 > 算力 > 评估。

具体差距：

1. 数据规模：OXE 970K 远不够覆盖家庭长尾；需 100M+ trajectories（约现量 100×）。
2. 数据多样性：场景多样性、任务多样性、长尾事件覆盖（罕见物体、突发干扰）。
3. 推理速度：6 Hz 不够工业 50 Hz；硬件加速 + 模型蒸馏待突破。
4. 闭环评估：sim 评估不靠谱；真机 benchmark 太贵；缺统一标准。
5. 安全机制：紧急停止 / 错误恢复 / 力觉异常未集成到端到端 VLA。
6. 长程任务：> 30 秒的多步任务稳定性差，需 hierarchical 或 World Model。
7. 经济性：单台机器人成本 + 训练成本 > 量产替代单价时才商用。

最难突破的是数据——硬件 / 模型 / 算力都可"用钱解决"，数据靠人力时间无法压缩；这也是为什么 RoboNet / DROID / OXE 这种共享数据集是行业关键。

易错：不要只说"模型还不够大"——这是 LLM 思维；具身的瓶颈一直在数据。

答：

• 端到端 VLA：one model 直接 obs → action（OpenVLA / π0 / RDT）；优点：简单、scale 友好；缺点：长程任务稳定性差、可解释性弱。
• 分层规划：High-level LLM 输出子任务（SayCan / Code-as-Policy）+ Low-level policy 执行 atomic skills；优点：可解释、模块化、可调试；缺点：层间接口设计难、容易堆栈耦合。

工业界主流：Hybrid——

1. 端到端 VLA 做 atomic skill 执行（< 30 秒任务）；
2. LLM 做高层任务分解（如 "做早餐" → "打开冰箱 / 取鸡蛋 / 开火..."）；
3. 双系统 VLA（Helix / GR00T N1）正是这种思路的端到端化。

π0 自己也提分层——虽然 π0 模型本身是端到端，但 Physical Intelligence 公开 blog 提到"未来 hierarchical + VLA"是落地必由路径。

判断关键：

• 数据极丰富 + 短程任务 → 端到端；
• 长程 + 多步推理 → 分层 / 双系统。

易错：不要把"端到端"和"分层"看成对立——它们正在融合（双系统 VLA）。

答：端到端 VLA 挑战：数据需求海量（OXE 970K 仍不够）、closed-loop 评估难、长程任务复合误差爆炸。

World Model 路线：学环境动力学 $\hat{P}(s' \mid s, a)$，用于规划（CEM / MPPI）或 imagination 训 policy（Dreamer / TD-MPC2）。

优先 WM + 分层场景：

1. 真机 sample 极贵——WM 用 1/10-1/100 数据达到 RL 效果。
2. 需 explicit reasoning——latent 空间可做反事实推理。
3. 长程规划——规划与执行分层，避免端到端复合误差。
4. 可解释性需求——WM latent 可观察、可干预。

端到端 VLA 更好：数据丰富、反应式毫秒级、多任务 co-train 通用 backbone。

易错：WM 不是"过时路线"——工业界两条路线并行，WM 进入决策环路被广泛看好。

答：

Locomotion 已是"基础设施"：Sim2Real + RL 是成熟 pipeline；Unitree、宇树等量产；技术风险已收敛。

Manipulation 是"前途无量但卡点多"：

• 卡点：物体多样、接触建模难、数据稀缺、长尾任务无穷。
• 前途：家庭服务 / 工业精细装配 / 医疗 / 物流的核心。

求职建议：

• 想长期需求大 → Manipulation（容量未饱和）。
• 想短期商用 → Locomotion（已成熟，需求集中在工程优化）。

易错：Locomotion 不是"简单"——只是"已知怎么做"；Manipulation 是"前沿但慢"。

答：具身泛化的四个维度：跨任务 / 跨场景 / 跨物体 / 跨形态——传统 RL / IL 训练分布外几乎崩。

多模态大模型的核心价值：

1. Web-scale 视觉 + 语言先验——VLM 见过千万张图、亿级文本；新场景仍能特征匹配。
2. 语言 grounding——"操作螺丝刀" 这种新任务可通过语言映射到学过的"用细长工具旋转"知识上。
3. 跨任务知识共享——任务在自然语言空间天然相近，VLM 自动迁移。

纯 RL 不够：

• 真机 sample 贵，无法覆盖长尾。
• 探索效率低，复杂任务 reward 难设。
• 跨任务零迁移。

纯 IL 不够：

• 演示数据有限（OXE 970K），远不能覆盖家庭长尾。
• 分布外协变量偏移崩。
• 跨场景泛化弱。

VLA 解法：VLM backbone 提供"通识 + 语义对齐"，IL / RL 提供"动作生成"——两者结合是当前唯一可见的泛化路径。

易错：VLM ≠ 替代物理推理——它补足"语义理解 + 先验"，不能直接生成精确动作；必须配合 action head。

答：5 种主流组合：

1. IL 预训练 → RL fine-tune：BC/DAgger 学初始 → PPO/SAC 精调；工业首选最稳。
2. 联合 loss：$L = \alpha L_{\text{BC}} + \beta L_{\text{RL}}$；适合 demos 少 + 有 reward。
3. Offline RL：CQL / IQL / AWAC 从静态 demos 学，无需在线交互。
4. GAIL：discriminator 对抗，无需 reward。
5. RLHF / RLAIF：偏好 → reward model → PPO。VLA 后训练也走 RL-from-experience；其中 RECAP 是 advantage-conditioned 变体，不是典型 PPO。

项目答题模板：BC 预训练 → 定义 reward = task + smoothness → PPO + GAE fine-tune → 关键是 early stopping + KL 约束 防偏离 BC 太远。

易错：纯 RL 真机 sample 贵；纯 IL 长程崩；hybrid 是工业现实。

答：设计原则：

1. Dense vs Sparse：dense 收敛快但易 reward hacking；sparse 难学但目标明确。
2. Shaping：加 distance / progress 等中间信号引导。
3. Multi-component：R = task_reward + safety_penalty + smoothness_penalty，相加形成总奖励。
4. Curriculum：早期 dense 加快学习，后期切 sparse 防 hacking。

项目答题框架（套你的项目讲）：

• 任务奖励：成功完成给大 +R，关键 sub-event（接触 / 接近）给小正奖励。
• 安全惩罚：碰撞 / 关节限位 / 力超限给负奖励。
• 平滑惩罚：$-\alpha \|\Delta a\|^2$ 防抖动；trade-off：α 大动作平滑但响应慢。
• 尝试过的其他形式：纯 sparse 收敛慢、纯 dense 易 hacking；最终选 hybrid。

易错：reward hacking 不靠 reward 曲线判断——要看 rollout 视频是否真完成任务（模型常找"接近但不抓"刷分）。

答：

实务路线：① 人类视频做 representation 预训练（R3M / VC-1 / VIP）→ ② 仿真大规模 DR pretrain → ③ 真机 ~300 demos fine-tune。

易错：不要单一数据源——三者结合才 scale；纯真机太贵，纯仿真 gap 大。

答：

• 阻抗控制（Impedance）：输入期望位置 $x_d$，输出 force/torque；行为类似弹簧 + 阻尼，$F = K(x_d - x) + D \dot{x}$。
• 导纳控制（Admittance）：输入外力 $F_{\text{ext}}$，输出位置变化；行为是"外力推 → 位置响应"。

选择：

力觉噪声处理：

1. 低通滤波（一阶 IIR / 卡尔曼）去高频抖动；
2. 死区：小于阈值视为 0；
3. 力 / 力矩传感器标定：去重力 + 偏置；
4. 冗余传感融合：关节扭矩 + 末端 F/T 双重估算。

易错：阻抗 / 导纳是对偶关系，不是同义；阻抗高刚 / 导纳高柔，相反。

答：典型 VLA 观测：

• 图像：1-4 帧 RGB，224×224 或 256×256，多视角（手腕相机 + 第三人称）。
• Proprio：关节位置（rad）+ 关节速度（rad/s）+ 末端位姿（SE(3)）。
• Force/Torque：末端 F/T 传感器 6 维 + 关节扭矩 N 维（可选）。

对齐 / 归一化：

1. 图像：CHW float，预训练 mean/std 归一化（如 ImageNet 的 [0.485, 0.456, 0.406]）；多视角 concat 在 channel 维。
2. Proprio：每维 $(x - \mu) / \sigma$，$\mu / \sigma$ 来自训练集统计。
3. Force：通常归一化到 $[-1, 1]$（±10 N / 1 Nm 量程）；力觉噪声大需先低通滤波。

时序同步：相机 30 Hz、关节 1 kHz、F/T 500 Hz——按最低频率（如 30 Hz）对齐，其它做插值或最近邻。

历史窗口：常用 4-8 帧图像 + 同步 proprio 序列；用 Transformer / RNN 编码时序。

易错：图像忘记归一化（直接喂 [0, 255]，权重崩）；proprio 不归一化（不同关节量纲差 100 倍，训练不稳）。

答：两种动作空间：

VLA 实务：大多数 VLA 用末端空间——

• OpenVLA / RT-2：7 维（6-DoF 末端位姿 + 1 维 gripper）。
• π0：同上 + 多形态适配。
• 双臂：两套末端 = 14 维（ALOHA）。
• Mobile + 双臂：+ 2 维 base = 16 维（Mobile ALOHA）。

Trade-off：

• 数据效率：末端空间任务对齐好，少 demos 也能学（ACT 50 demos）。
• 物理稳定：关节空间避免 IK 奇异，但模型要学更复杂映射。
• 跨 embodiment：末端空间易标准化；关节空间因 DoF 不同难统一。

易错：末端空间的 IK 奇异 / 关节限位问题需要底层控制器 + 安全检查兜底，不能让模型完全裸跑。