P01 机器人操作中的视觉语言动作模型：系统综述
汇总模型、数据集、仿真平台与泛化评价，并提出数据集描述分数。 定性等级不是统一重跑；部分平台、频率和计数条目需回查一手论文。
LITERATURE NOTES
文献阅读
研究问题、核心方法、实验结果与局限，以及与其他工作的联系。
P02 视觉—语言—动作模型综述：动作令牌化视角
用八类动作相关中间表示统一分析模型模块、数据来源与执行接口。 分类可重叠且 token 定义宽泛；组合架构是研究判断，没有统一对照实验。
P03 面向具身操作的视觉-语言-动作模型综述
从架构、数据、预训练、后训练与评估五个环节梳理具身操作 VLA。 部分方法和数据表存在转述不一致，成绩不是统一训练或统一硬件比较。
P04 面向机器人操作的视觉—语言—动作模型强化学习综述
以动作、奖励、转移建模、在线/离线/推理时范式和真实部署构成 RL-VLA 系统分类与研究路线。 分类和结果来自异构原论文，未统一重跑；以官方同题名 PDF 补齐，原项目附件版本不可逐字节核验。
P05 RL²：通过慢速强化学习学会快速强化学习
用慢速外层强化学习训练GRU，使其在新任务中仅依靠跨回合隐藏状态更新学习探索与利用。 外层训练成本高且长时域优化困难，快速适应依赖任务分布与trial边界，实验不支持任意任务的通用最优学习。
P06 SimBa：利用简洁性偏置扩大深度强化学习网络的参数规模
以运行统计归一化、残差前馈块和输出前 LayerNorm 改造网络骨干，使更大的 critic 在多个强化学习算法中提高样本与计算效率。 证据主要来自状态和符号输入的仿真任务；简洁性频谱是二维初始化代理且存在反例，尚未验证视觉 VLA、真实机器人或社会导航安全。
P07 利用低成本硬件学习精细双臂操作
把 ALOHA 遥操作数据、CVAE 动作分块和时间集成结合，学习精细双臂操作。 真实任务表现不均衡；时间集成和潜变量的作用受数据与任务条件限制。
P08 扩散策略：通过动作扩散学习视觉运动策略
在视觉条件下联合去噪生成连续动作序列，并用滚动执行形成闭环。 多步采样、视觉条件与动作长度影响实时性；复杂双臂任务仍有较多失败。
P09 π₀：用于通用机器人控制的视觉—语言—动作流模型
用预训练视觉语言主干与流匹配动作专家，学习跨机器人和多任务的连续动作块。 广泛预训练与任务后训练的贡献需分开，控制频率不等于新视觉闭环频率。
P10 MetaVLA：面向高效具身适应的统一元协同训练
用上下文库和 Meta-Action-Reasoner 支持统一 VLA 多任务协同训练并利用异构辅助示范。 主证据限于模拟任务适配，未证明新技能零样本适应或真实在线学习；默认最佳配置不使用随机潜变量。
P11 π_RL：面向流式视觉—语言—动作模型的在线强化学习微调
用 Flow-Noise 与 Flow-SDE 构造可优化的随机生成过程，对流式 VLA 动作专家进行在线 RL 微调。 仿真与计算成本较高，训练随机过程与推理有差距；原文时间方向及 score 符号需结合实现核对。
P12 RL Token：利用视觉—语言—动作模型引导在线强化学习
冻结 VLA 与压缩表征，利用 RL token、参考动作和小型动作块 actor-critic 高效学习关键操作阶段。 仍依赖任务示范、人类接管与阶段管理，主要在少数精细操作任务验证，未解决整体 VLA 推理延迟。
P13 强化学习能给视觉—语言—动作模型的泛化带来什么？一项实证研究
用视觉、语义和执行三维 OOD 测试说明 PPO 的主要泛化收益在执行恢复，并给出共享价值头训练配方。 基于有限模型与规划器示范，优势并非覆盖所有语义和视觉测试；真实迁移仅有小规模验证。
P14 面向高效视觉—语言—动作操控的动作感知动态剪枝
按近期机器人动作幅度决定是否剪枝，并利用文本—视觉相关性保留输入token。 动作幅度只是视觉需求的代理；长任务精度下降，FLOPs加速不能等同端到端时延。
P15 Realtime-VLA FLASH：面向扩散式视觉—语言—动作模型的推测推理框架
轻量草稿利用新图像生成动作，由复用旧视觉KV的动作专家并行验证连续前缀。 验证为启发式局部一致性检查，旧缓存与分布漂移可能造成共同错误，且需要额外训练。
P16 动作分块流策略的实时执行
用旧动作前缀和软掩码引导流式动作补全，在并行推理与执行时保持动作块连续。 单次推理因梯度引导变慢，冻结前缀期间仍无法立即利用突发环境变化，也无硬实时保证。
P17 使视觉—语言—动作模型以实时速度运行
以CUDA Graph、代数折叠和Triton融合缩短π0前向，并提出视觉/动作专家重叠的流式设计。 完整流式与progressive chunking仍为设计草图，接笔仅为一维夹爪任务，不能据此宣称通用高速操控。
P18 VLASH：通过未来状态感知的异步推理实现实时视觉—语言—动作控制
用当前图像配对未来机器人状态和动作进行微调，使动作生成适应异步执行起点。 依赖未来状态估计与偏移微调；未来本体状态不等于未来环境，量化加速可能损害精细控制。
P19 DynamicVLA：面向动态物体操控的视觉—语言—动作模型
结合430M多帧VLA、持续推理、过期动作丢弃及DOM动态操控数据，提高动态目标操作成功率。 旧观测后缀仍受延迟影响，扰动与运动理解较弱；v1存在频率和公式记号问题，需参照v2澄清。
P20 面向动态环境中可泛化的机器人操控
构建117,000轨迹的DOMINO，并以历史光流和未来对象特征辅助监督训练PUMA。 主表成功率仅17.20%，采用接触停止自主运动简化，仿真尚未系统纳入真实推理延迟。
P21 MotionBricks：通过模块化潜在生成模型与智能基元实现可扩展的实时动作生成
以根轨迹、姿态离散潜变量和智能控制基元实现低延迟多风格动作生成。 输出运动学参考动作，导航决策与物理跟踪仍需外部系统，完整训练管线未随预览全部公开。
P22 Uni-Inter：统一不同交互情境下的三维人体动作合成
用统一三维语义体素条件与关节热图扩散建模人—人、人—物、人—场景交互。 依赖给定交互上下文及未来轨迹，不直接解决因果在线预测、物理可执行性与人群导航。
P23 GRAIL：从三维资产与视频先验生成人形机器人移动操作数据
从已知三维资产、视频先验和四维重建生成可经物理策略跟踪的机器人移动操作示范。 依赖已知场景几何、视频筛选及昂贵物理训练，不是任意现实视频的自动无误重建。
P24 NavDP：利用特权信息引导学习从仿真迁移到现实的导航扩散策略
通过规模化仿真路径、RGB-D 扩散候选和特权几何监督的轨迹评估器，实现跨环境与跨机器人局部导航。 主要以静态场景规划数据训练，缺少完整社会规范与长期记忆；论文的部分 critic 与训练公式还存在符号不清或排版缺项。
P25 FLUX：通过 Rectified Flow 与从静态到动态的学习加速跨具身生成式导航策略
以 NavDP 初始化的 Rectified Flow 和动态环境强化学习改进跨具身生成式局部导航，并提供 DynBench 六类动态场景任务。 部分奖励、概率比和社会指标定义不充分，距离阈值代理不等同物理碰撞，个别表项出现 SPL 高于成功率的内部不一致。
P26 NavIsaacLab：通过并行机器人学习生成真实感人群，用于人类感知导航基准评估
结合场景处理、人群根轨迹生成、AMP 全身控制和视觉 PPO，使物理驱动行人能用于并行导航数据与仿真到现实评测。 人群控制仍有较多跟踪失败；论文详细实验主要检验人体轨迹与吞吐量，公开 2.0 管线与论文 AMP 方案也需做版本区分。
P27 Arena-Bench 2.0：面向协作环境中社交导航方法的综合基准
以 nav2py 连接 Python 学习策略和 ROS 2 Nav2，结合语义场景、交互行为和多维指标开展可配置社交导航比较。 其成功率允许少于两次碰撞，不等同零碰撞到达；算法分类与部分指标单位有误，统计复现细节有限。
P28 社交机器人导航：基于学习的方法综述与基准评测
用五类架构梳理社交导航、训练与感知系统，并在六类场景中比较九种经典及学习式规划器实现。 统一实验对原方法有多项结构改造，缺乏充分等预算消融与精确数表；官方 benchmark 仓库本次核查仍为 Coming Soon 预告。
P29 面向具身导航的物理可执行三维高斯场景
将按对象分解的语义 3DGS 与原网格的凸分解碰撞体组合，提供 InteriorGS-1k 和 SAGE-Bench 的连续导航数据与评估。 物理层依赖已有高质量三维网格，不是任意图像生成可靠碰撞几何；部分指标和表格存在定义或数值不一致。
P30 Lyra 2.0：可探索的生成式三维世界
通过逐帧几何检索、规范坐标对应和自增强历史条件延长视频世界探索，再将生成视图重建为 Gaussian 与网格。 当前主要生成静态场景，未验证严谨的机器人接触碰撞几何；未知区域为生成内容且训练、推理算力要求较高。
P31 深度策略梯度的理论与实证差距
梯度估计、价值预测与替代目标景观的实证审查。
P32 Deep RL That Matters：补充材料与复现方法
随机种子、网络结构、奖励尺度和代码实现如何改变算法比较。
P33 Era of Experience：经验驱动学习观点
区分经验驱动学习范式与 world model 这一模型机制。
P34 GTD2 与 TDC：线性函数逼近下的梯度 TD
以 MSPBE 和辅助变量连接 off-policy 稳定性与线性复杂度。
P35 For SALE / TD7：状态动作表征学习
区分 SALE 表征目标、TD7 工程组件及实证结论的适用范围。
P36 GAE：优势估计的偏差与方差
由 TD 残差构造优势，连接 reward-to-go、λ-return 和 critic 误差。
P37 策略梯度定理与兼容函数逼近
明确占据分布、兼容特征和函数逼近的理论条件。
P38 Potential-Based Shaping 与 Q 值初始化等价
通过 Q 值平移解释奖励塑形与初始化的路径等价条件。
P39 Sutton & Barto：强化学习教材阅读路线
从表格方法、函数逼近到探索与近似策略梯度的章节路线。
该主题暂无已发布笔记。