策略与训练教程

本页汇总可供学习和开发的策略与模型。AlohaMini 初次训练仍可先沿 ACT 主线 验证数据和设备；其他策略按各自依赖、输入格式与运行接口配置。

1. 选择阅读入口

策略 / 专题	教程入口	阅读重点
ACT	完整教程	action chunk、训练与评估
AM-ACT	定制实现说明	离散动作维度、固定维度、损失组和输出缩放
Diffusion	实现说明	实现与参数说明
SmolVLA	完整教程	模型依赖、微调、推理与数据
Pi0 / Pi0.5	Pi0、Pi0.5	LeRobot 内置实现，区别于 独立 OpenPI
Pi0 FAST	完整教程	动作表示与模型使用
GR00T	完整教程	模态、配置与训练
RTC	完整教程	异步动作块与兼容策略
多任务 DiT	完整教程	多任务配置与数据
FastWAM	完整教程	模型与专属依赖
MolmoAct2	完整教程	模型输入、微调与使用
VLA-JEPA	完整教程	配置、训练与部署
EO-1 / Evo-1	EO-1、Evo-1	对应实现版本与依赖
LingBot-VA / Wall-OSS / XVLA	LingBot-VA、Wall-OSS、XVLA	各模型专属数据和接口
TD-MPC / VQ-BeT / SARM	TD-MPC、VQ-BeT、SARM	部分 README 为实现引用，详读对应正文与代码

查看全部策略教程。使用其他策略前，请确认 AlohaMini 的输入、动作维度与推理接口，并完成真机验证。

2. 从 ACT 数据转向其他策略前

1. 保留一份已验证的数据集和 ACT 基线，记录相机、特征顺序、动作单位与校准。

2. 按模型教程安装对应 extras，并核对基础权重与使用条件。

3. 确认图像名称、语言任务字段、state/action 维度、归一化统计与模型要求一致。

4. 选择独立输出目录和实验名称，避免覆盖已有检查点。

5. 先运行小规模数据加载与训练检查，确认日志、损失和保存结果正常。

6. 部署时核对推理接口、控制频率和动作块策略；ACT 不使用 RTC 路径。

示例 batch size、训练步数和显存记录取决于具体模型与训练任务，不能作为对所有设备的资源承诺。

3. AM-ACT 的特有参数

AM-ACT 可让部分动作维度采用分类，其余维度仍按连续值训练。

参数	作用
fixed_action_dims	排除训练并在归一化空间固定为零的维度
discrete_action_dims	采用分类预测的维度索引
discrete_action_values	每个分类对应的物理动作值，顺序与分类一致
discrete_action_class_weights	对应类别权重
discrete_action_loss_weight	分类损失倍率
action_loss_groups / action_loss_weights	连续维度分组与组权重
observation_state_dims	选择输入状态的子集
inference_action_scale_dims / inference_action_scale	反归一化之后缩放指定输出

示例配置将 [14,15,16] 作为离散维度例子；是否对应底盘要以实际数据特征顺序判断。归一化空间中的零也不必然等于物理零动作。完整训练命令和加载方式见 AM-ACT 详细配置。

4. 数据与训练工具

• 数据集 v3 格式、迁移旧数据

• 数据集编辑工具、动作表示

• PEFT 训练、多 GPU 训练

• 推理教程、异步推理

• 人在回路数据采集、HIL-SERL

[教程资料库] 汇总各专题(tutorial-library.md)，包括其他机器人和仿真基准示例。