ACT的原理解析：斯坦福炒虾机器人Moblie Aloha的动作分块算法ACT_act算法

前言

23年已过35 今24年则将36，到40岁之前还有4年半，这4年半我想冲一把大模型机器人(兼具商业价值、社会价值、科技价值 )，因为

• 通过过去一年的研究探索与应用开发(比如我带队开发完成的AIGC模特生成、论文审稿GPT、企业知识库问答等)，机器人是在可能范围之内我能做的最大的项目(至于更大的如造车 我也干不了)，很难，4年半下来也不一定能达到预期，但全力
• 通过Q1之内的技术准备、复现Moblie aloha「不过，后续4月份改成先和合作伙伴去复现UMI和DexCap了，且UMI和DexCap已经复现成功」、建机器人开发团队之后，Q2之内将在七月官网上线一系列机器人课程以从课程中筛选、选拔、扩大整个机器人的开发队伍(比如：大模型机器人二次开发线下营 [实操20万的实体机器人])

  

根据上一篇文章《模仿学习的集中爆发：从Dobb·E、Gello到斯坦福Mobile ALOHA、UMI、DexCap、伯克利FMB》的第三部分可知，无论是最新系统Mobile ALOHA还是其前身系统ALOHA，他们背后的关键技术都是动作分块算法ACT，故

• 本文侧重阐述ACT的算法原理
• 至于ACT的代码剖析、部署实践，请见下一篇文章《逐行解读ACT：斯坦福Mobile Aloha之动作分块算法ACT的代码剖析、训练部署》

第一部分 ALOHA + ACT

1.1 ALOHA + ACT解决现有机器人昂贵且难以做精确任务的问题

斯坦福Mobile ALOHA在被推出之前，其实在23年Q1便已有了ALOHA，所谓ALOHA，即是A Low-cost Open-source Hardware System for Bimanual Teleoperation

如此文《模仿学习的集中爆发：从Dobb·E、Gello到斯坦福Mobile ALOHA、UMI、DexCap、伯克利FMB》的第三部分“3.1.2 Mobile ALOHA的前置工作：ALOHA与ACT”节所述

Mobile ALOHA其实是在23年ALOHA的工作基础上迭代优化出来的，不是一蹴而就，以下是关于ALOHA的一系列重要信息

• ALOHA项目地址：Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware
• 论文地址：Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware
  这是其解读，论文中首次系统阐述了作为“无论是最新系统Mobile ALOHA还是其前身系统ALOHA中的关键技术”：即动作分块算法ACT
• 代码地址：GitHub - tonyzhaozh/aloha
  该代码仓库友情提醒：
  To build ALOHA, follow the Hardware Assembly Tutorial and the quick start guide below.
  To train imitation learning algorithms, you would also need to install ACT.
• 硬件安装指南：https://www.wpsshop.cn/w/代码探险家/article/detail/926748