$ \pi_{0} $: A Vision-Language-Action Flow Model for General Robot Control
Physical Intelligence
引言
机器人学习在实现通用、灵活和灵巧的机器人系统方面具有巨大潜力,但面临数据稀缺、泛化性和鲁棒性等挑战。开发能够执行各种任务的通用机器人策略(即机器人基础模型)是解决这些挑战的关键,但需要克服规模、模型架构和训练配方三大瓶颈。本文提出$\pi_0$模型,一种基于预训练视觉-语言模型(VLM)的流匹配架构。通过在7种机器人配置和68个任务的多样跨具身数据集上进行预训练,并结合预训练/后训练配方,$\pi_0$能够实现零样本控制、遵循语言指令以及通过微调学习新技能,在洗衣折叠、桌面清理和箱体组装等灵巧任务上表现出色。
相关工作
先前工作包括基于自回归离散化的视觉-语言-行动(VLA)模型[7,24,55]、扩散模型用于动作生成[9,60]以及大规模机器人学习数据集[23,10,52]。但这些VLA模型因自回归结构而不支持高频动作块,扩散模型则未充分利用预训练VLM的语义知识。此外,现有灵巧操作研究通常规模较小[57]。本文首次将流匹配与VLM结合,通过动作专家模块产生高频动作块,并采用大规模预训练/后训练配方,在灵巧性和泛化性上超越先前方法。
方法
如何整合多样化的数据源并利用互联网规模的语义知识? → 使用预训练视觉-语言模型(VLM)作为骨干网络,并通过跨具身训练结合来自多种机器人的数据。
如何建模高频、灵巧的机器人动作? → 采用动作分块(action chunking)架构,使用流匹配(flow matching)生成连续动作分布。
如何将流匹配集成到VLM中? → 设计单独的动作专家(action expert)模块,该模块具有独立的权重,仅处理机器人特定的状态和动作令牌,并与VLM骨干并行工作。
如何训练出既鲁棒又高效的策略? → 采用两阶段训练配方:先在多样化的大规模数据上预训练以获得广泛能力和恢复行为,再在高质量、任务特定的数据上进行后训练以掌握高效流畅的执行策略。
结果
归一化任务得分(零样本):$\pi_0$在所有零样本任务上表现最佳,在衬衫折叠和简单收拾任务上接近完美,大幅超越所有基线模型。
| 对比方法 | 数值 | 引用 |
|---|---|---|
| OpenVLA (全数据训练) | 明显低于$\pi_0$ | [24] |
| Octo (全数据训练) | 低于$\pi_0$ | [50] |
| OpenVLA (仅UR5e数据) | 高于全数据OpenVLA但仍远低于$\pi_0$ | [24] |
| $\pi_0$-small | 低于$\pi_0$,但高于OpenVLA和Octo | |
| $\pi_0$ (计算量匹配,160k步) | 略低于完整$\pi_0$,仍优于所有基线 |
语言指令遵循准确率:$\pi_0$的语言遵循准确率显著优于$\pi_0$-small,这转化为在专家人类指导(—human)和高层策略指导(—HL)下更好的任务表现。
| 对比方法 | 数值 | 引用 |
|---|---|---|
| $\pi_0$-small (flat) | 显著低于$\pi_0$ | |
| $\pi_0$-small (human) | 低于$\pi_0$-human | |
| $\pi_0$-small (HL) | 未报告(可能更低) |
微调后任务得分(不同数据量):$\pi_0$在多数任务上优于其他方法,预训练带来的改进在数据量较小时尤其明显,有时提升可达2倍。
| 对比方法 | 数值 | 引用 |
|---|---|---|
| OpenVLA (微调) | 显著低于$\pi_0$ | [24] |
| Octo (微调) | 显著低于$\pi_0$ | [50] |
| ACT (从零训练) | 在部分任务上接近但整体不如$\pi_0$ | [57] |
| Diffusion Policy (从零训练) | 在部分任务上接近但整体不如$\pi_0$ | [9] |
| $\pi_0$ (从零训练) | 低于预训练$\pi_0$ |
复杂多阶段任务平均得分(10次试验):完整的预训练$\pi_0$模型在所有任务上均获得超过最高分50%的成绩,且通常优于消融实验模型,在最具挑战性的任务上改进尤为显著。
| 对比方法 | 数值 | 引用 |
|---|---|---|
| 消融模型(无预训练或小型模型) | 低于完整$\pi_0$ |
实现
模型基于PaliGemma视觉-语言模型,通过添加动作专家模块将VLM转换为VLA。输入包括多幅RGB图像、语言指令和机器人本体状态,经视觉编码器和文本编码器处理后,由动作专家通过流匹配生成长度为50的动作块。训练分两阶段:预训练使用包含OXE和自采数据的混合集(10,000+小时),后训练使用高质量任务特定数据微调。
VLM骨干网络 — 处理图像和语言输入,提取语义特征。
设计:使用PaliGemma 3B模型,采用晚期融合架构,将图像嵌入投影到与文本令牌相同的嵌入空间。
原理:继承来自大规模互联网预训练的视觉和语言表示。
动作专家 — 处理机器人状态和动作令牌,生成动作块。
设计:独立的Transformer权重(300M参数),全双向注意力掩码,与VLM骨干共享输入但具有独立的前向网络。
原理:通过处理噪声动作令牌和观测来预测流匹配的向量场,从而建模连续动作分布。
流匹配训练与推理 — 训练时通过流匹配损失监督动作令牌;推理时从噪声逐步去噪生成动作块。
设计:采用条件流匹配,线性高斯概率路径$q(\mathbf{A}_t^\tau|\mathbf{A}_t) = \mathcal{N}(\tau\mathbf{A}_t, (1-\tau)\mathbf{I})$,网络输出向量场$\mathbf{v}_\theta$;推理使用10步前向欧拉积分。
原理:流匹配通过训练一个向量场来将一个简单分布转换为目标动作分布。训练损失:$\mathcal{L} = \mathbb{E}_{t,\epsilon}[\| \mathbf{v}_\theta(\mathbf{A}_t^\tau, \mathbf{o}_t) - (\epsilon - \mathbf{A}_t) \|^2]$,推理从$\tau=0$到$\tau=1$积分:$\mathbf{A}_t^{\tau+\delta} = \mathbf{A}_t^\tau + \delta \mathbf{v}_\theta(\mathbf{A}_t^\tau, \mathbf{o}_t)$。