|

这里整理了我读过的一些论文笔记,主要集中在机器人腿足运动、模仿学习与基于高斯泼溅的视觉表示等方向。如果你也在做相关方向,欢迎交流。

Chapter 9 把 canonical IR 翻成了 abstract assembly——指令选好了,但用的还是无穷多个 temporary(t1, t2, t3, ...)。真实机器只有几十个寄存器,根本装不下。Chapter 10 接着问:

> 怎么知道哪些 temporary "正在使用",从而把它们挤进有限的寄存器里?

答案是 liveness analysis——一个典型的 dataflow analysis:

flowchart LR

> 论文标题:ManiGaussian++: General Robotic Bimanual Manipulation with Hierarchical Gaussian World Model

> 作者:Tengbo Yu, Guanxing Lu, Zaijia Yang 等(清华大学、海南大学、南洋理工)

> 预印本:arXiv:2506.19842 (2025)

> 关键词:双臂操作、分层高斯世界模型、任务导向高斯泼溅、领导者-跟随者

​ 这是 DeepMimic 的续作，这次是 "Imitating Animals"（模仿真狗）。

​ 上一篇论文是在完美的模拟环境里做特技，这一篇论文的核心挑战变成了：如何把这些动作部署到真实的、充满摩擦和误差的物理机器人（Laikago 机器狗）上。

​ 可以把这篇论文看作是 “DeepMimic 2.0：从模拟走向现实”。

| 维度 | 上一篇 DeepMimic | 这一篇 Imitating Animals |

第 8 章已经做完两件事：

把 IR 树变成规范树。

重新排列规范树，使每个 CJUMP 后面紧跟假分支标签。

第 9 章接着做：

AMP 的单一性限制： 原版 AMP 通常一次只学一种风格。如果你把“走路”和“站立”的数据混在一起给它，它可能会学出一个不伦不类的混合动作，或者无法根据指令精确切换风格 。

“坐下”动作极难调参： 让机器人从站立状态“坐下”非常危险。如果用传统 RL（人工设计奖励），机器人往往会直接“砸”在地上，导致膝盖电机过载损坏 。

技能遗忘： 按照顺序一个接一个地学技能，机器人容易学了新的忘了旧的（灾难性遗忘）。

Multi-AMP 的核心逻辑是：给 AMP 加上一个“多路开关”。