π0

π0 (pi-zero): A Vision-Language-Action Flow Model for General Robot Control入门必知

Physical Intelligence 2024 年发布的 VLA，用流匹配生成连续动作，已开源。

π0 是美国具身智能公司 Physical Intelligence（PI）于 2024 年 10 月 31 日发布的通用机器人基础模型。它以谷歌 30 亿参数的视觉语言模型 PaliGemma 为底座，外加一个约 3 亿参数的「动作专家」，用流匹配（和扩散模型类似、从噪声逐步生成连续值的方法）一次生成未来 50 步动作，控制频率最高 50Hz。与 RT-2、OpenVLA 把动作离散成 token 不同，连续生成更适合叠衣服这类高频灵巧任务。它用 1 万多小时机器人数据预训练，覆盖 7 种机器人构型、68 个任务，并混入 OXE、DROID 等开源数据；预训练后可直接按语言指令做事，也能用少量数据微调学新技能。PI 后来在 openpi 仓库开源了代码和权重，单张 RTX 4090 即可推理和做 LoRA 微调。