物理AI实验室 // 第 3.4 集 // 小测
长程任务怎么不崩?
记忆、规划与多策略路由:把长活儿拆成能管的边界
01
一个机器人单独测每个子任务都很稳,可连着做几十步收拾厨房时,常在后半程失败。最可能的原因是什么?
后半程的子任务本身更难,单独测试时没覆盖到
运行久了算力下降,后半程推理变慢而出错
每步的小偏差会累积,还改变下一帧看到的画面
单步测试只跑了一个种子,单步成功率被高估
02
片中把“慢的想、快的做”对应到 GR00T N1 论文的双系统。哪种描述是对的?
系统二理解画面和指令,系统一实时出动作
系统一看图听指令,系统二实时生成动作
两套系统是两台机器人,一台规划一台执行
系统二只在训练时用,部署时只留系统一
03
AWS 博客在 H100 上实测 π0:生成一整包 50 步动作不到 200 毫秒,每包覆盖约 1 秒的动作。哪种理解正确?
每包覆盖约 1 秒,所以策略约 1 Hz 重规划一次
算一包不到 200 毫秒,所以能约 5 Hz 重规划
每一步要算 200 毫秒,50 步一共要算约 10 秒
约 5 Hz 说明每包动作只覆盖约 0.2 秒的运动
04
编排器跑长任务的日志里,“倒垃圾”被执行了两遍,“收盘子”却一次也没执行。最先该查哪一块?
进度记忆:完成的子任务是否记下并喂回高层
低层的倒垃圾技能,看它单步成功率是否太低
快层的生成速度,看动作包是不是算得太慢
价值函数的打分,看倒垃圾的可行分是否偏高
05
你只把高层路由器从固定脚本换成 VLM,其余都不动,跑多个种子:单步成功率几乎没变,整条链成功率明显变了。这最能说明什么?
低层执行器其实变强了,长链才跟着变化
单步和整条链成功率本就同升同降,无新信息
长程基准太难,换哪种高层结果都一样
整条链的瓶颈主要在调度,而不在低层执行
看答案