模型架构：

        1、Π模型采用了预训练的VLM骨干模型，结合了包含多任务的跨体数据集。

        2、添加了独立的动作专家，通过流匹配生成连续动作，从而实现精准连续的操作技能。（流匹配是连续生成模型，属于扩散模型的变体，π₀用它来生成机器人连续动作序列。）

        3、为了实现对各类多样化机器人数据源的利用，采用了跨 embodiment 训练，即将多种机器人类型的数据整合到同一模型中。

        4、精心设计的训练方案，即先让模型在规模庞大、内容多样的语料库上进行预训练，再在更细分、经过精心筛选的数据上进行微调，以诱导出期望的行为模式。

训练方式：

        1、首先进行预训练，使用了大规模的混合数据集（不同机器人、不同任务），其目的是训练一个具备广泛能力和泛化性的基础模型。

        2、针对复杂灵巧任务，采用了两种后训练方式：一是利用小到中等规模数据的高效后训练，二是针对叠衣服、移动操作等复杂任务，采用大规模数据集的高质量后训练。

        3、对数据内容进行的处理：将机器人的关节角度状态q与预测动作设置为训练过程中维度最大的机器人一致，实验中是18维（机器人关节角度和预测动作的维度是相同的，理论上机器人有多少关节就应预测多少个关节的动作）。对于配置和空间维度低于18维度的机器人，对训练数据进行0填充，同样对于图像数量少于三个的机器人，对缺失的图像进行掩码mask处理。掩码mask与空白图像的区别，如果使用空白图像，模型会将空白图像作为信息纳入注意力计算，使用mask则直接屏蔽掉这个图像token，不影响模型的注意力以及计算损失。为什么不对动作也进行mask?而是进行补零？ai的回答是动作属于整个token，不同的维度数据属于token内部的形态，如果对token内部mask，模型会学习到错误的输入输出维度，导致损失计算时发生错误，但是为了避免模型学习到维度数据为0的地方，在计算loss的时候将这部分mask掉不参与计算。

数据形式：

        1、对输入模型的数据分布进行建模，（1）机器人观测得到的多张RGB图像，（2）文本语言（3）关节角度向量。其中图像与关节角度向量首先通过对应编码器进行编码，再经过线性投影层映射到与语言标记相同的嵌入空间中。

        2、动作专家训练，通过流匹配进行训练，训练中得到50个未来动作块，代表50HZ，一秒的连续轨迹。