想象一家物流公司打算招一个“新人”来搬箱子。这个新人没有工作经验，但公司为他配齐了三样东西：一副结实的身体、一双敏锐的眼睛、外加一个能“看人眼色行事”的大脑。身体让他能站稳、走路、伸手；眼睛让他看清箱子在哪、递东西的同事在哪；大脑则把一句普通的话——“把红色箱子放到 3 号货架”——翻译成一连串动作。这个新人，就是人形机器人 Figure 01/02；眼睛、身体和大脑加起来，就是所谓的“具身模型”（embodied model）。 更妙的是，这个新人不是靠工程师逐条写死动作——他是靠“看老师傅干活”学会的：师傅遥控机器臂演示几百次，机器人在旁边把“看到什么、听到什么、做出什么动作”一一记下来，学成后独立上岗。这就是 Figure 01/02 的核心思路：视觉（Vision）、语言（Language）、动作（Action）连成一个端到端模型 VLA，配合数据引擎，在物流与制造现场完成真正的工作。本文就从“新员工的入职档案”讲起，带你拆解它的身体、感官、大脑、实习表现与待解难题。

岗位关联

理解 Figure 01/02 的“硬件—感知—模型—落地”分层，能帮你快速建立机器人系统的全局观。无论你是算法工程师、机器人工程师还是 AI 产品人，这都是进入具身智能赛道的入口地图。

目录
  1. 可视化演示
  2. 认识 Figure 01/02：面试官的入职档案
  3. 硬件架构设计：骨骼、肌肉、眼睛与背包
  4. 感知运动系统：从站稳到伸手
  5. VLA 大模型：老师傅带徒弟
  6. 物流场景执行：第一周仓管实习
  7. 制造场景执行：转正后的产线装配
  8. 挑战与发展前景：管理层复盘会
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

交互展示Figure 01/02人形机器人的硬件架构、VLA感知运动控制模型及端到端物流任务执行流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

硬件架构：感知-计算-执行闭环 多传感器（相机/IMU/编码器）输入感知环境 核心计算单元处理VLA模型推理输出关节指令 τ = fVLA(obs, lang) → joint_angles Figure 01/02采用感知-计算-执行一体化硬件闭环架构实现自主运动

认识 Figure 01/02：面试官的入职档案

面试第一天，HR 拿到新员工的档案：身高约 1.7 米，体重 60 公斤上下，能扛起约 20 公斤的重物，充满电可以连续干好几个小时。档案上写着“通用人形机器人 Figure 01/02”——它由美国公司 Figure AI 打造，定位是进入工厂、仓库、家庭都能干活的多面手，而不是只会表演的展品。这就是它的产品定位：以人形进入人类环境，复用人类社会的工具和基础设施。

第一代 Figure 01 于 2023 年亮相，主要验证“人形能不能自己走稳、听懂人话”；2024 年推出的 Figure 02 是一次“装备升级”：机载算力更强、摄像头更多、续航更长，还公布了与 OpenAI 合作的自然语言对话，以及与车企合作进产线的计划。两代机器人一脉相承，都采用全电驱执行器——相当于新员工的“肌肉”——没有液压系统，安静且干净。版本演进的方向很清楚：从“能走能聊”走向“能干活”。

干活首先得有力气。机器人的每个关节都像人的手臂一样会“使劲”，这个劲的大小用扭矩衡量。扭矩不够，手臂就提不起重物；扭矩太大，又费电又伤关节。它的定义如下：

看过档案、测过“臂力”，HR 点点头：身体条件合格，可以办理入职。下一步，检查他的眼睛和平衡感。

τ=r×F=rFsin⁡θ\displaystyle \tau = r \times F = rF\sin\theta
τ 是让关节转动的“旋转力”，等号右边把力臂 r、作用力 F 和它们之间的夹角 θ 综合在一起。扭矩不足，机器人就真的“手无缚鸡之力”。
  1. τ（扭矩）让关节转起来的“旋转力”，单位牛·米，相当于新员工手臂的爆发力。
    τ\tau
  2. r（力臂）从关节中心到受力点的距离，相当于杠杆的长度，越长越省力。
    rr
  3. F（作用力）执行器实际施加的力，单位牛顿，相当于肌肉的拉力大小。
    FF
  4. sinθ（夹角正弦）当力与力臂垂直时 sinθ=1，发力效率最高 100%，否则要打折扣。
    sin⁡θ\sin\theta
  5. ×（叉积）方向相关的乘法，同时考虑力的方向和力臂的方向。
    r×Fr \times F

硬件架构设计：骨骼、肌肉、眼睛与背包

新员工领到了全套装备：铝合金骨架支撑全身 40 多个可活动关节（自由度），多个 RGB 相机和深度相机分布在头部与躯干——这是他的眼睛；每个关节里装着电机和减速器——这是他的肌肉；背上还背着一台高算力电脑，相当于随身的“思考背包”。这套硬件架构可以分成四层来看：本体结构、传感器配置、关节执行器、算力平台。

本体结构决定了机器人的“骨架”和活动范围，肩、肘、髋、膝、踝的布局参考人体，但不必完全照抄——能干活才是目的。传感器配置回答“机器人靠什么感知世界”：负责看的摄像头、感知身体倾斜与加速度的惯性测量单元（IMU）、报告每个关节转了多少度的编码器，以及让机器人知道“手碰到了多大力量”的力/扭矩传感器。关节执行器是“肌肉”：Figure 01/02 使用线性执行器和旋转执行器，全是电驱，响应快、可控性好、维护简单。算力平台则是机载高性能计算单元，负责跑视觉模型和 VLA 大模型。

传感器再灵敏，采样速度也得跟得上。物理世界有一条铁律：要还原一个最高频率为 f_max 的信号，传感器的采样频率 f_s 至少要达到它的两倍，否则画面就会“抖成马赛克”：

装备齐全，新员工在体检报告上写下“各项指标正常”。但光有硬件还不够——他得先学会站稳，才能谈搬箱子。

fs≥2fmax⁡\displaystyle f_s \ge 2 f_{\max}
采样定理可以理解成“录像帧率必须够快，否则拍不清快速挥动的手臂”。相机、IMU、关节编码器都要按这个底线设计采样率。
  1. f_s（采样频率）传感器每秒采几次数据，相当于每秒拍多少张照片。
    fsf_s
  2. ≥（至少达到）这是一条硬底线，低于它信息就会失真。
    ≥\ge
  3. 2（两倍）要完整还原一个正弦波周期，每个周期至少要采两个点。
    22
  4. f_max（信号最高频率）被测物理量变化最快的频率，比如手臂挥动时的高频成分。
    fmax⁡f_{\max}

感知运动系统：从站稳到伸手

新员工上岗前先参加“军训”：平衡木、单脚站、接球。这些训练对应机器人的感知运动系统——它要解决三件事：我在哪？东西在哪？我要怎么动过去？

视觉感知是第一环：头部的 RGB 相机和深度相机实时拍画面，机载视觉模型识别出“这是一个箱子”“这是一只手”。状态估计负责回答“我在哪”：关节编码器报告每个关节的角度，IMU 报告身体倾斜，视觉里程计通过画面变化推算自身移动，三类数据融合后，机器人就有了“自我感觉”。运动控制负责最后一环：把“我要伸手抓箱子”翻译成每个关节每时每刻的角度与力矩指令，让腰部、手臂、腿部协同发力。平衡稳定贯穿始终：走路时机器人不断计算重心位置，像人一样迈步、支撑、换脚，保持不摔倒。

手要伸到哪、腿要往哪迈，靠的是运动学。机器人每个关节的角度组成向量 q，末端（比如右手）速度 v 与关节速度 q̇ 的关系，由雅可比矩阵 J(q) 连接：

军训结束，汇报演出成功：新员工站稳了，也能准确抓住教练丢来的球。接下来真正的主角登场——他的“大脑”。

v=J(q) q˙\displaystyle \mathbf{v} = \mathbf{J}(\mathbf{q})\,\dot{\mathbf{q}}
雅可比矩阵就像“从关节运动到手掌运动的翻译官”：给出每个关节转多快，它告诉你手掌会以多快的速度、朝哪个方向移动。
  1. v（末端速度）手掌或脚掌的运动速度，包含方向和快慢，是控制的最终目标。
    v\mathbf{v}
  2. q（关节角度向量）把所有关节的角度打包成一个向量，代表机器人当前的姿势。
    q\mathbf{q}
  3. J(q)（雅可比矩阵）随姿势变化的一组系数，把关节空间映射到工作空间。
    J(q)\mathbf{J}(\mathbf{q})
  4. q̇（关节速度）每个关节转动的快慢，是底层控制器直接下达的指令。
    q˙\dot{\mathbf{q}}

VLA 大模型：老师傅带徒弟

仓库里最值钱的不是新员工，而是老师傅。老师傅一边说“把红色箱子放到 3 号货架”，一边演示走过去、弯腰、抓取、转身、放下。新员工站在旁边，眼睛看画面，耳朵听指令，身体记住动作——这就是 VLA（Vision-Language-Action，视觉-语言-动作）模型的训练方式。

VLA 是一个端到端大模型：输入摄像头图像和语言指令，输出动作。它不像传统流程那样把“看懂图像→理解语义→规划路径→求解关节角”拆成一个个独立模块，而是直接学习“看到什么、听到什么，就该做什么”。Figure 团队的做法是：先用远程遥控设备让人操作机器人完成海量任务，把“画面+指令+动作”录成示范数据，这叫行为克隆；数据够多后，模型就学会了把新指令映射成新动作。这套持续采集、清洗、扩充示范数据的流水线就是数据引擎；后续发布的 Helix 模型正是沿这条路，把 VLA 扩展到了上半身的高频控制。

VLA 的本质是一个条件概率模型：给定当前观测 o（图像）和语言指令 l，模型输出动作 a 的概率：

“出师”那天，老师傅收起遥控器，让新员工独立跑一趟。他咽了口口水，开始了仓库实习。

π(a∣o,l)\displaystyle \pi(a \mid o, l)
π 是“策略”——遇到什么情况做什么动作的决策函数，是整个具身模型最核心的“肌肉记忆”。
  1. π（策略）机器人行为的决策规则，相当于新员工学会的“处理问题的套路”。
    π\pi
  2. a（动作）模型输出的动作，可以是关节目标角度、末端速度或高层操作指令。
    aa
  3. o（观测）摄像头图像、关节状态等所有传感器信息的集合，相当于“看到什么”。
    oo
  4. l（语言指令）人说的话，如“把箱子放到 3 号货架”，相当于“听到什么”。
    ll
  5. ∣（条件符号）读作“在……条件下”——动作是在看到图像且听懂指令的前提下决定的。
    π(a∣o,l)\pi(a \mid o, l)

物流场景执行：第一周仓管实习

新员工被分配到仓库，第一周的任务不复杂但很考验综合能力：从传送带上搬起包裹、看清标签、放到对应货架格口。在端到端演示中，Figure 01/02 的表现相当于一个真人新手：上手快、反应慢半拍、但能独立完成整条任务链。

包裹搬运考验“走过去—蹲下—抓稳—起身—走回来”的全链路动作生成，每一步都不是单独编程的，而是 VLA 根据当前画面直接输出；货架分拣则把视觉提升到“细活”级别：识别箱体标签、判断货架层格、决定放哪一格；人机协作要求机器人感知周围是否有同事经过，减速、让路、避免碰撞。历次公开演示中，这些场景还会搭配语音指令，让操作员用自然语言临时改派任务，比如“放到左边那一格”。

为了让“抓得准”成为肌肉记忆，视觉伺服（visual servoing）承担最后几厘米的闭环：相机看到手与目标的误差 e，控制器每帧把它缩小一点。误差随时间指数衰减：

第一周总结会上，主管笑着点头：端到端演示把“看懂命令、走过去、抓起来、放到位”串成了流畅的动作，比预期顺利。但主管话锋一转：下周你要去产线了，那里对精度可苛刻得多。

e(t)=e0 e−λt\displaystyle e(t) = e_0\,e^{-\lambda t}
视觉伺服的误差收敛公式：只要 λ > 0，误差就会以指数速度趋近于 0，好比“越靠近越精准地微调”。
  1. e(t)（当前误差）此刻手与箱子在画面上的差距，回答“还差多少”。
    e(t)e(t)
  2. e₀（初始误差）开始抓取那一刻的误差，相当于第一眼看到的偏差。
    e0e_0
  3. e^{-λt}（指数衰减因子）误差随时间以指数速度缩小，前几帧进步最明显。
    e−λte^{-\lambda t}
  4. λ（收敛速率）控制器的“敏捷度”，λ 越大收敛越快，但太大容易抖动。
    λ\lambda

制造场景执行：转正后的产线装配

产线工位比仓库苛刻：工件公差以毫米计，动作还要卡着生产节拍。Figure 与汽车厂商的合作演示中，机器人负责把钣金件插入固定夹具等装配操作，这正是“转正考核”。

装配操作的关键是精密操控：视觉引导机械手对准孔位和夹具，靠力/扭矩传感器感知插入时的手感，像人拧螺丝时“感到阻力就收力”；安全协作指机器人通过视觉和激光雷达感知工位周围是否有人，一旦有人靠近就自动减速、停机，绝不跟人硬碰硬；生产节拍要求机器人在规定时间内完成循环动作，不能像实习期那样慢吞吞。这些能力叠加起来，就是制造业最看重的两个词：稳定与重复精度。

重复精度指机器人每次回到同一个位置的一致程度。测量 N 次位置，算出的标准差 σ 越小，说明动作越“千篇一律”：

产线考核通过。主管在转正报告上写“基本合格”，后面画了个大括号，列出管理层最关心的三个问题：成本、安全，还有……能不能换条产线接着干？

σ=1N∑i=1N(xi−xˉ)2\displaystyle \sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i - \bar{x})^2}
标准差越小，产线上“每一次都做得一样”的把握越大。工业机器人重复定位精度可达 ±0.02 毫米量级，人形机器人正在向这个水平追赶。
  1. x_i（单次测量值）第 i 次回到目标位置时，传感器测到的实际位置。
    xix_i
  2. x̄（均值）N 次测量结果的平均位置，当作参考中心。
    xˉ\bar{x}
  3. N（测量次数）样本量越大，对重复精度的估计越可靠。
    NN
  4. 求和与开方把所有偏差平方后求和、取平均再开方，把“每次差多少”压缩成一个数字。
    1N∑i=1N(xi−xˉ)2\sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i - \bar{x})^2}

挑战与发展前景：管理层复盘会

转正后的周例会上，管理层抛出三个问题：培养成本高不高？出了事故怎么办？换一个场景还能不能干？这三个问题，正好对应人形机器人身上的三大挑战。

数据稀缺是第一个瓶颈。行为克隆需要海量真实操作数据，而人比机器人灵活，人类示范的速度、手感很难被完整记录；每换一种货架、一种工件，都要重新补数据。泛化瓶颈紧随其后：模型对训练分布内的场景表现良好，一旦遇到没见过的光照、障碍物、物体形状，成功率就会明显下滑——这可以用泛化误差分解来理解：总误差由偏差（没学会）和方差（学得太死）两部分构成：

至于安全验证与成本问题，工程对策是一套组合拳：力限制与碰撞检测保证“碰到人就收力”，云端仿真与数字孪生降低真实试错成本，训练方式也从纯行为克隆转向“行为克隆+强化学习+仿真迁移”，让数据引擎持续规模化。开完会，主管在笔记本上写下结论：这个新员工还年轻，但“身体—感官—大脑—实习—转正”的成长路径已经跑通。下一个季度，公司打算再多招几个。

Eerr=Ebias2+Evariance\displaystyle E_{\text{err}} = E_{\text{bias}}^2 + E_{\text{variance}}
偏差高是“没学会”，方差高是“死记硬背、换场景就懵”；训练的目的就是在两者之间找平衡。
  1. E_err（泛化误差）模型在没见过的场景里的犯错程度，相当于“换战场后的表现”。
    EerrE_{\text{err}}
  2. E_bias（偏差）模型本身表达力不足造成的错误，相当于“老师没教明白”。
    EbiasE_{\text{bias}}
  3. E_variance（方差）模型过度适应训练数据造成的错误，相当于“背题背过头”。
    EvarianceE_{\text{variance}}
  4. 平方与加和两项按平方相加，要同时压低两者才能真正提升泛化能力。
    Ebias2+EvarianceE_{\text{bias}}^2 + E_{\text{variance}}

AI 应用场景

物流仓库的端到端搬运与分拣

阶段：数据采集与模型部署（数据引擎 → 行为克隆训练 → 机端部署 → 闭环执行）

解决的问题：传统仓储分拣依赖固定机械臂和传送带，对“非固定工位、异形包裹、随机摆放”的场景无能为力。AI 方案用 VLA 端到端模型替代脚本逻辑，机器人看一眼画面、听懂指令就能完成搬运、分拣、码放，省去大量流程重编程。

具体案例：仓库中包裹随机出现在传送带上，操作员用语音说“红色箱子放到 3 号格口”，Figure 01/02 通过头部相机定位箱体、生成抓取轨迹、搬运至指定格口；遇到同事经过自动减速避让，整个过程无需预设脚本。

汽车制造产线的精密装配

阶段：示范数据采集 → 行为克隆训练 → 力控微调 → 产线安全部署

解决的问题：产线装配工位重复劳动强度大，部分工位存在粉尘、噪音等环境风险；传统工业机器人需要固定围栏和精确示教，无法与人共享工位。AI 方案让机器人自主完成钣金件插入、螺丝预紧等操作，并通过视觉与力感知实现毫米级对位和人机安全协作。

具体案例：在整车厂总装线，机器人将钣金件依次插入夹具定位销，插入过程靠力/扭矩传感器实时调节力度与角度；工人靠近时机器人自动减速，工人离开后恢复节拍，实现了“无围栏人机协作”的试运行演示。

Python 演示

python77 行
import randomfrom collections import Counter GRID = 10  def generate_demo():    # 生成一条示范:从原点出发,走到物品处抓取,再送到目标点放下    obj = (random.randint(1, 8), random.randint(1, 8))    dest = (random.randint(0, 9), random.randint(0, 9))    robot = [0, 0]    holding = 0    target = obj    samples = []    while True:        dr = target[0] - robot[0]        dc = target[1] - robot[1]        if (dr, dc) == (0, 0):            if not holding:                holding = 1                target = dest                samples.append(((0, 0, 0), (0, 0, 1)))   # 抓取动作            else:                samples.append(((0, 0, 1), (0, 0, 2)))   # 放下动作                break            continue        state = (dr, dc, holding)        if abs(dr) >= abs(dc):            action = (dr // abs(dr), 0, 0)            robot[0] += action[0]        else:            action = (0, dc // abs(dc), 0)            robot[1] += action[1]        samples.append((state, action))    return samples  def infer(dataset, state, k=3):    # k近邻检索近似示范状态,投票决定动作(简化版VLA策略)    def dist(s):        return ((s[0] - state[0]) ** 2 + (s[1] - state[1]) ** 2) * 9 + (s[2] - state[2]) ** 2     top = sorted(dataset, key=lambda pair: dist(pair[0]))[:k]    votes = Counter(pair[1] for pair in top)    return votes.most_common(1)[0][0]  def evaluate(dataset, trials=200, max_steps=400):    # 随机生成新任务,统计端到端任务成功率    success = 0    for _ in range(trials):        obj = (random.randint(1, 8), random.randint(1, 8))        dest = (random.randint(0, 9), random.randint(0, 9))        robot = [0, 0]        holding = 0        target = obj        for _ in range(max_steps):            state = (target[0] - robot[0], target[1] - robot[1], holding)            (dr, dc, op) = infer(dataset, state)            if op == 1:                holding = 1                target = dest            elif op == 2:                success += 1                break            else:                robot[0] = max(0, min(GRID - 1, robot[0] + dr))                robot[1] = max(0, min(GRID - 1, robot[1] + dc))    return success / trials  random.seed(42)dataset = []for _ in range(60):    dataset.extend(generate_demo())print("示范数据条数:", len(dataset))print("端到端任务成功率: %.1f%%" % (evaluate(dataset) * 100))
目的：用纯 Python 实现一个微型“检索式行为克隆”——生成遥控示范数据、按相似状态检索动作、统计新任务成功率，帮你直观理解 Figure 数据引擎加行为克隆的简化流程。
  1. def generate_demo():相当于远程遥控采集示范数据：机器人从原点出发，抓取物品并运到目标点。
  2. samples.append(((0, 0, 0), (0, 0, 1)))记录“到位、执行抓取”这一关键示范动作。
  3. state = (dr, dc, holding)状态只保留“目标相对距离 + 是否已抓取”，这正是“看到什么、听到什么”的简化编码。
  4. if abs(dr) >= abs(dc):行为克隆学到的习惯：沿距离更长的轴先走，类似人走直角路径的偏好。
  5. def infer(dataset, state, k=3):简化版 VLA 策略：在示范记忆里找最相似的 3 个状态，投票决定下一步动作。
  6. from collections import Counter用投票统计找出“多数人”会选择的方向，提升稳定性、降低单点噪声。
  7. def evaluate(dataset, trials=200, max_steps=400):端到端评测：随机生成全新任务，统计独立完成的成功率。
  8. random.seed(42)固定随机种子，让实验可复现，方便对比不同示范规模的效果。

常见误区

误区很多初学者看到演示里机器人和人自然对话，就以为 VLA 模型的核心是聊天能力，甚至断言“大语言模型一升级，机器人什么活都会干”。

正解语言理解只是 VLA 的一小段输入。真正干活靠的是“看→想→动”闭环：视觉模型识别物体、大模型输出动作、底层伺服与平衡控制执行。比喻来说，会说场面话的新员工不等于会卸货，嘴皮子只是大脑的一部分，不是全部能力。

为何常见：媒体宣传多聚焦机器人“听懂人话”的对话演示，屏幕前的观众最容易把语言能力误当成具身智能的全部。

误区有人把“端到端训练”理解为从摄像头像素到电机电流全由神经网络包办，传统控制理论从此没用了。

正解VLA 输出的是高层动作——目标角度、末端位置或操作指令。底层每个关节的电流环、速度环、力矩控制、防碰撞和平衡稳定，仍然由传统运动控制器完成。比喻：厨师想好了“红烧肉”这道菜（高层决策），还得靠锅铲和火候（底层控制）把它做出来。

为何常见：“端到端”字面暗示“从一端到另一端”，让人误以为整条链路被一个模型吞并，忽视了工程系统的分层现实。

误区受传统工业机器人示教编程的影响，许多人坚信人形机器人的每一个动作都是工程师一行行写死的。

正解Figure 的训练方式是行为克隆加数据引擎：人远程遥控机器人完成操作，把“画面+指令+动作”录成数据，模型从数据中学习；新任务不需要逐条手写脚本。这好比师傅做菜，徒弟在一旁看着学，而不是拿尺子量每一步的配比。

为何常见：传统自动化给人留下的“编程控制”印象太深，人们习惯用旧框架理解新物种。

误区看到官方演示视频几乎次次成功，便认为具身模型已经具备通用的、不受限制的任务能力。

正解模型只在训练分布内可靠，光照、物体形状、场地布局的变化都会导致成功率下滑，这正是泛化瓶颈与偏差-方差权衡所在。演示通常只展示成功片段，失败率和分布外表现很少被呈现。比喻：背了大量考题的学生，换一套新考法照样会懵。

为何常见：公开演示天然筛选了最顺利的几次运行，统计学上的真实成功率远没有视频看起来那么完美。

面试题

Q1. VLA 模型中的 V、L、A 分别指什么？

单选题 · easy

  • A.视觉、语言与动作← 正确答案
  • B.语音、学习与算法
  • C.视频、标签与增强
  • D.虚拟、网络与应用

答案：A。VLA 是 Vision-Language-Action 的缩写，对应“看、听、动”三件事，是 Figure 具身模型的核心架构。B、C、D 都是对字母的臆测，不符合机器人领域的通行含义。

Q2. 关节扭矩公式 τ = rF sinθ 中，r 表示什么？

单选题 · easy

  • A.关节的转动速度
  • B.力臂的长度大小← 正确答案
  • C.执行器作用力
  • D.关节的功率输出

答案：B。r 是力臂，即从关节中心到受力点的距离。力臂越长，同样的力产生的扭矩越大，就像加长扳手会更省力。A 是角速度的概念，C 是 F，D 与扭矩公式无关。

Q3. 行为克隆（Behavior Cloning）的核心做法是什么？

单选题 · easy

  • A.人工编写全部动作脚本
  • B.从专家示范数据中学习← 正确答案
  • C.用 PID 反馈自动整定
  • D.让机器人随机探索试错

答案：B。行为克隆把专家（人遥控）的操作录成“状态-动作”样本，再训练模型模仿这些样本，本质是“照师傅的样子学”。A 是传统编程，C 是底层控制，D 属于强化学习探索，都不是行为克隆的定义。

Q4. 采样定理要求采样频率 f_s 与信号最高频率 f_max 满足什么关系？

单选题 · mid

  • A.等于最高频率的两倍
  • B.至少是最高频率的两倍← 正确答案
  • C.小于最高频率的两倍
  • D.与最高频率完全没有关系

答案：B。f_s ≥ 2f_max 是奈奎斯特采样定理的硬底线，等于是“最低要求”，大于两倍当然更好，因此选“至少是两倍”。A 只描述了恰好相等，漏掉了“可以更高”，C 和 D 直接违背定理。

Q5. 雅可比矩阵 J(q) 在机器人运动学中的作用是什么？

单选题 · mid

  • A.把关节速度映射为末端速度← 正确答案
  • B.把语言指令翻译为动作
  • C.把视觉图像压缩成特征
  • D.把电池电量换算为续航

答案：A。J(q) 连接关节空间与工作空间：给定关节速度，乘以雅可比矩阵就得到手或脚的末端速度。B 是 VLA 模型的功能，C 是视觉编码器，D 则是电池管理，与运动学无关。

Q6. 视觉伺服误差收敛公式 e(t) = e₀e^{−λt} 中，λ 越大表示什么？

单选题 · mid

  • A.收敛得越慢
  • B.收敛得越快← 正确答案
  • C.误差变得越大
  • D.误差与它无关

答案：B。λ 是指数衰减的速率常数，λ 越大，误差曲线下降越陡，机器人越快“对准目标”。但 λ 过大会引起抖动，工程上需要在速度与稳定之间折中。

Q7. 在制造场景中，重复定位精度通常通过哪个统计量刻画？

单选题 · hard

  • A.全部测量的均值
  • B.位置误差的标准差← 正确答案
  • C.操作任务的总数
  • D.单次采样的频率

答案：B。重复精度回答“每次回到同一点差多少”，用多次测量位置的标准差 σ 衡量一致性，σ 越小越稳定。均值反映系统误差，任务总数与采样频率都不刻画位置离散程度。

Q8. 关于 VLA 模型的输入，下列哪一项不属于它的典型输入？

单选题 · hard

  • A.摄像头采集的图像
  • B.人类的自然语言指令
  • C.各关节当前的编码器
  • D.供应链的库存报表← 正确答案

答案：D。VLA 输入是观测加指令，包括图像、关节状态、用户语言。供应链库存报表属于业务数据，与机器人当下的感知决策无关，接入它既无必要也不符合端到端策略的定义。

Q9. 影响 VLA 模型泛化能力的因素包括哪些？

多选题 · hard

  • A.示范数据的多样性← 正确答案
  • B.语言指令的覆盖范围← 正确答案
  • C.机载电池的容量大小
  • D.视觉与动作的对齐质量← 正确答案

答案：ABD。泛化能力取决于训练分布是否覆盖多样场景、指令是否涵盖常见说法、以及“看到什么→做出什么”的样本对齐质量。电池容量影响续航，不改变模型见到新场景时的表现。

Q10. 关于 Figure 01/02 的端到端任务执行，下列说法正确的是？

多选题 · extreme

  • A.大模型直接输出高层动作指令← 正确答案
  • B.底层运动控制仍需传统控制器← 正确答案
  • C.每个动作都靠人工遥控生成
  • D.训练依赖海量真实操作示范数据← 正确答案

答案：ABD。VLA 输出高层动作指令，底层伺服、力控与平衡仍由传统控制器完成，示范数据则来自数据引擎的海量真实采集。人工遥控只在采集阶段出现，运行阶段机器人自主决策，因此 C 错误。