具身智能入门知识（一）

一、机器人动作执行主要三种方法

在机器人学习（Robot Learning）领域，机器人动作执行主要有三种方法：包括直接回归、分类预测和生成式模型。

1. 回归

连续值问题，一个输入对应一个数值输出，不能解决多模态Multi-Modal Action问题，即一个输入可以对应多个输出。

2. 分类预测

离散值，将可能的数值分成几个区间，进行离散预测。在预测Multi-Modal Action的时候（解决了多模态行为），人们倾向于采用离散预测，将连续值问题转化为分类问题，但这样做存在问题： 一次只能向前预测一步， 而实际需求是希望一次性预测多步动作；在处理高维空间时，预测成本非常高。

3. 生成模型

生成模型都可以预测连续的多模态分布，但很多生成模型的问题是训练不稳定。

基于Diffusion Model的生成模型方法具有一个重要的优势，即训练非常稳定， 不管怎么训，最终都能得到一个可以work的模型。

在Robot Learning领域，机器人操作比较常用的两个路径是强化学习（Reinforcement Learning）和模仿学习（Imitation Learning）。

二、基础术语

1. 操作（Manipulation）和移动（Locomotion）
   移动（Locomotion）：下肢操作，专注于机器人自身的运动能力，主要考虑机器人的物理特性和动力学（例如关节、足部接触力等）。移动任务通常涉及对机器人本体的建模和控制（如步态规划、平衡控制等），较少依赖外界环境中的动态变化。
   操作/操控/操纵（Manipulation）：上肢操作，涉及与各种各样的物体进行交互，pick取&place放，others，每个物体都具有独特的物理特性，如重心、摩擦力和动力学。这些在模拟器中难以准确模拟，即便能够模拟，精