人形二次开发线上营[π0.5GR00Tlocoloco-mani导航]

这门课面向的是已经跑通过基础模仿学习、想在人形机器人上做二次开发的人。它不讲具身智能的科普概论，也不从零教你写 Python，而是集中处理一个具体问题：拿到 π0.5、GR00T N1 这类通用 VLA 模型和宇树的人形平台之后，怎么把它们真正接到自己的任务上，而不是停在论文复现的 demo 阶段。

它解决的是「模型能用」到「任务能跑」之间那一段

公开的 VLA 模型越来越多，但多数人卡在同一个位置：模型权重能加载、推理能出动作，一旦换成自己的机械臂构型、自己的相机视角、自己的任务指令，效果就塌了。课程围绕这个断层展开，主线是几条主流技术路线的对照理解——包括 π0 系列的动作专家与 VLM 分工、π0.5 里知识隔离那套让视觉语言模型输出离散动作 token 再微调的做法，以及 GR00T N1 用 Eagle-2 做慢思考、用 DiT 动作专家做快反应的架构。理解这些不是为了背结构图，而是让你知道自己手上的数据该喂给哪一部分、微调该动哪一层。后半段落到真机部署，用的是宇树那套基于 LeRobot 的部署框架，可以承载 π0.5 和 GR00T 的推理。此外还有从 RGB 视频恢复人体运动、再转成机器人可执行动作的路径，适合没有动捕设备、只有普通摄像头的场景。

适合什么基础，以及建议的切入顺序

• 需要你已经能读懂 PyTorch 训练脚本，知道什么是行为克隆、什么是动作分块，最好自己跑过一次 LeRobot 或类似的模仿学习流程。完全没碰过机器人学习的话，这门课会偏吃力。
• 硬件上不强制有真机，但如果你手上有宇树或其他支持 LeRobot 接口的平台，收获会明显更大，因为部署环节的坑只有上手才会遇到。
• 建议先看具身模型的横向总结那一节，建立各条路线的位置感；再进 GR00T 和 π0.5 的原理部分，把慢思考与快反应的职责划分弄明白；最后再看真机部署和视频转动作这两块。

学完之后你能独立做什么

比较现实的预期是：你能自己完成一次针对特定任务的微调，把通用 VLA 模型适配到自己的场景，并在真机上把推理流程跑通；遇到效果不好时，能判断问题出在数据采集、动作表示还是模型哪一部分，而不是只能反复重训。视频转运动那条线，则让你在没有专业采集设备时也能攒出可用的训练数据。资料里的原理讲解和部署演示需要配合着看，看一段原理就动手跑一段对应代码，只观看不实操的话，部署部分基本留不下东西。如果你目前还停留在调 API 或跑现成 demo 的阶段，建议先把模仿学习的基础补齐再来，否则这门课的价值会打折。