深圳 · 机器人与具身智能方向

中国科学院大学 / 深圳先进技术研究院，电子信息在读硕士（2025–2028）。

这里记录机器人数据、VLA 训练、仿真评测和接口调试中的一些实践，也放一些论文笔记和小工具。

在双臂多任务 VLA 项目里，数据处理花了不少时间：从原始轨迹到 LeRobot v2.1，再到 DexData 和训练视图，需要反复检查字段、时间索引和动作语义是否一致。

这部分覆盖 30 个任务、3 万多条 episode，约 4583 万帧；识别并隔离了 15 条异常 episode，并用 SHA-256 清单复核指定文件的完整性。文件字节没变是一层检查，标签和动作语义是否正确还要另外验证。

训练使用 DOS-W1 的 10 个任务，在 8 张 A100 80GB 上完成了 DM0-base 的 120K 步训练，配置为 BF16、ZeRO-3 和 gradient checkpointing。数据处理覆盖的 30 个任务与这次训练的 10 个任务是两个范围。

部署侧主要在对齐相机顺序、14D/32D 接口、关节增量和夹爪绝对值。已经通过 35 项 CPU 测试、A100 BF16 前向验证和官方 SDK 的本地 mock 联调；真实 W1 的闭环成功率还没有可报告的结果。

用 InternVL3-1B + TinyVLA 配置做了 10 个任务的本地仿真评测，也整理了任务调度、结果汇总和视频归档。

原计划是每任务 100 次，保存的有效 clean rollout 共 937 次：两个 blocks 任务分别为 69 和 68 次，其余任务各 100 次。

合计 90 次成功，按有效 rollout 汇总约 9.61%，按任务平均为 9.0%。这些是本地仿真记录，不是官方榜单成绩。结果在任务之间差别很大，后续还需要结合输入、动作接口和失败视频继续排查。

• robotwin-evaluation-tools：从 rollout manifest 汇总指标、检查证据文件和输出 JSON/CSV。
• robot-data-pipeline：数据 schema、质量检查、转换计划和 SHA-256 校验的轻量框架。
• vla-paper-reading-notes：RT-1、RT-2、OpenVLA、ACT、Diffusion Policy、π0 和 RTC 的阅读记录。

公开仓库主要是从项目经验中整理的工具框架与小例子，具体实现范围写在各自 README 中。私有数据、凭证、模型权重和内部日志没有放进来。

经常用到：Python · PyTorch · Linux · Git · Docker · LeRobot · distributed training。

主要关注：Vision-Language-Action · imitation learning · action chunking · diffusion / flow matching · data quality · simulation evaluation。

1. 先把数据约定写清楚：时间戳、相机顺序、动作维度与单位、归一化、padding 和 mask。
2. 让失败能追溯：保留异常清单，按任务统计，区分尝试次数、有效样本和成功数。
3. 调试时拆开各个环节：预处理、模型、动作恢复、传输和控制器，逐段验证；完整闭环的 P50/P95 延迟测量也是后续要补的内容。
4. 分清读过什么、实现过什么、在哪个环境验证过什么。

• 做小规模 ACT 和 Diffusion Policy baseline，并保存可复查的配置与结果。
• 补充 ROS 2、C++、FK/IK、Jacobian、PID/MPC 与 sim-to-real 调试经验。
• 整理包含失败分类、版本和延迟测量的公开实验记录。

GitHub：Airgo0911。技术问题欢迎在相关仓库开 issue；合作或实习沟通可使用简历中的联系方式。