【WholeBodyVLA：面向全身移动操作的统一潜在视觉-语言-动作模型】(一)
目录
第一章：基础理论与问题建模（认知层）
1.1 全身移动操作（Loco-Manipulation）的核心挑战
1.1.1 人形机器人控制范式的演进：从模块化到端到端
1.1.2 现有VLA框架的局限性：操作感知型移动的缺失
1.1.3 数据稀缺困境：遥操作数据的高成本与覆盖不足
1.1.4 底层控制瓶颈：连续速度跟踪RL控制器的精度与稳定性缺陷
1.2 统一潜在学习（Unified Latent Learning）的理论基础
1.2.1 从动作标注视频到无标注视频的学习范式转换
1.2.2 潜在动作模型（LAM）的数学原理：VQ-VAE架构与离散潜在空间
1.2.3 DINOv2特征提取：视觉表征的预训练基础
1.2.4 跨模态对齐：视觉-语言-动作的联合嵌入空间构建
1.3 全身控制的动力学建模
1.3.1 人形机器人运动学配置：AgiBot X2的硬件架构解析
1.3.2 移动与操作的耦合动力学：惯性扰动与补偿机制
1.3.3 状态空间定义：本体感知（Proprioception）与视觉观测的融合
1.3.4 任务形式化：大空间作业中的导航-操作联合优化
代码实现：基础框架与核心模块
脚本1：潜在动作模型（LAM）与VQ-VAE实现
脚本2：跨模态对齐与VLA策略网络
脚本3：AgiBot X2全身控制接口与LMO RL策略
第二章：核心架构与算法实现（技术层）
2.1 双分支潜在动作模型（Dual LAMs）设计
2.2 面向移动操作的强化学习策略（LMO Policy）
2.3 统一VLA模型训练与微调
2.4 数据采集与工程化管道
完整可执行代码实现
脚本1：双LAM训练系统（train_dual_lams.py）
脚本2：LMO策略训练（train_lmo_policy.py）
脚本3：VLA模型微调（finetune_vla_lora.py）
脚本4：部署通信系统（deploy_zmq_bridge.py）
脚本5：数据采集工具（data_collection_pipeline.py）