Whole-body VLA

Horizon Robotics ra mắt HoloMotion-1 — mô hình nền tảng Sparse MoE 400M tham số, kiểm soát toàn thân humanoid zero-shot từ video in-the-wild sang robot G1 thật.

Hướng dẫn VLASH từ MIT Han Lab — framework biến VLA thành real-time với asynchronous inference future-state-aware, giảm latency 11.8× mà không đổi kiến trúc.

Hướng dẫn dùng GR00T-WholeBodyControl open-source để train SONIC whole-body controller trên 100M+ frame motion capture, deploy lên Unitree G1.

CoorDex dùng body và hand latent priors để dạy Unitree G1 thực hiện walk-grasp-carry liên tục không dừng, với code open-source từ UNC Chapel Hill.

Hướng dẫn SLIM-0.5B, mô hình VLA manipulation gọn nhẹ với action-grounded predictive latents trên LIBERO.

Hướng dẫn DyPES-VLA — VLA cross-embodiment SOTA: 98% LIBERO, 89% RoboTwin 2.0, 75.6% real-world với Dynamics Prior và MoE Action Head trên 3 embodiments.

Hướng dẫn πR² cho GR00T-N1.7: kiến trúc, cài đặt, fine-tune, inference 25 Hz và kết quả manipulation thực tế.

Hướng dẫn chạy MiniVLA trên LIBERO/MuJoCo, thêm perturbation để đo robustness và hiểu mốc 97,92% success rate.

Hướng dẫn World-to-Wrist cho VLA: sinh wrist-view, gắn CoT cổ tay, chuẩn bị LeRobot, training và inference policy manipulation.

Hướng dẫn T-Rex: VLA xúc giác phản ứng nhanh cho thao tác khéo léo, dataset LeRobot v3.0, training, inference và kết quả.

TurboVLA đạt 97.7% LIBERO với 0.2B parameters, 31.2 ms latency và 0.9 GB VRAM trên RTX 4090 — không cần LLM. Hướng dẫn cài đặt, training và inference đầy đủ.

Hướng dẫn fine-tune DM0.5 bằng LoRA cho SO101 Pick Cube, hiểu OpenDM, dữ liệu, training, inference và RoboTwin2.0 benchmark.

Hướng dẫn chi tiết dùng RL²-VLA để steer VLA manipulation policy bằng offline RL trong không gian latent, không cần retrain model gốc, đạt +26% real-robot success rate.

FM-VLA dùng VAE nén lịch sử lực thành Force Memory Tokens, giúp VLA vượt giới hạn Markovian — đếm contact, nhớ tiến trình, đạt 83.3% trên robot AgiBot G1.

Hướng dẫn chạy Pelican-VLA 0.5, hiểu Bottleneck Token, chuẩn bị LeRobot 3.0, training, inference và đọc kết quả RoboTwin.

ResVLA (ICML 2026): dùng Residual Diffusion Bridge anchor VLA từ intent, giảm nhiễu, tăng robustness cho robot manipulation.

Hướng dẫn AXIS: thu manipulation data bằng browser teleoperation, làm sạch dữ liệu và fine-tune π0.5 với OpenPI.

Hướng dẫn VLA-Corrector: adaptive action horizon, LVM, OGG và cách triển khai với LeRobot cho manipulation robust hơn.

Hướng dẫn deploy Robo-ValueRL — framework open-source của X-Humanoid kết hợp value estimation vào VLA-RL để đạt millimeter-precision trên manipulation thực.

Hướng dẫn dùng Robometer, TOPReward, lerobot-eval CLI với 6 benchmarks và DAgger để đóng vòng RL tự động cho manipulation VLA trong LeRobot v0.6.

Hướng dẫn cài đặt, fine-tune và inference InternVLA-A1.5 trên LeRobot, với latent foresight cho manipulation VLA.

Hướng dẫn fine-tune và deploy GalaxeaVLA G0.5 — VLA autoregressive thống nhất Qwen3.5 2B, đạt 98.9% LIBERO, 82.5% zero-shot DROID, mã nguồn mở.

Hướng dẫn Cyclo Intelligence: dùng Behavior Tree để điều phối GR00T N1.7 whole-body VLA trên humanoid.

VLA open-source của USC PSI Lab đánh bại GR00T N1.6 với 80 demo. Hướng dẫn cài đặt, teleoperation, training 3 giai đoạn và deploy trên Unitree G1.

Hướng dẫn cài đặt, post-training và inference LingBot-VLA 2.0, VLA 55D đa hình thái cho RoboTwin 2.0.

Hướng dẫn OpenHLM: xây VLA whole-body native cho Unitree G1 với HuMI co-training, dữ liệu LeRobot, training và inference.

Pipeline đầy đủ Isaac Teleop → LeRobot v0.6 → GR00T N1.7: thu thập dữ liệu teleop, fine-tune VLA manipulation policy và deploy trên robot arm — cập nhật tháng 7/2026.

Phân tích kỹ thuật LingBot-VLA 2.0 — VLA 6B tham số với 60.000 giờ dữ liệu, MoE Action Expert, Dual-Query Distillation, và cross-embodiment mobile manipulation vượt trội π0.5.

Hướng dẫn DexVerse, benchmark open-source mới để test OpenVLA, π0.5 và diffusion policy trên 100 task dexterous manipulation.

Hướng dẫn đầy đủ xây dựng hệ thống VR teleop với Apple Vision Pro + OpenHomie để điều khiển Unitree G1 và thu thập dữ liệu whole-body VLA chất lượng cao cho training GR00T N1.5.

Kiến trúc MoT kết hợp video prediction và policy trong latent space chung — LingBot-VA đạt 98.5% LIBERO và vượt π0.5 trên 6 tác vụ thực tế.

FORCE giải quyết 2 điểm yếu cốt lõi của RL fine-tuning VLA — Q-function không ổn định và data exploration kém chất lượng — qua Value-Calibrated Warm-Up và Self-Distillation, đạt 79% cải thiện tuyệt đối mà không cần human intervention.

TGRPO kết hợp LLM dense reward với dual-level advantage (step + trajectory) để fine-tune OpenVLA-7B trên LIBERO, đạt 91% success rate — vượt SFT 4.6% và PPO 4.4%.

InternVLA-A1 hợp nhất hiểu ngữ nghĩa, dự đoán tương lai và ra lệnh hành động trong một kiến trúc Mixture-of-Transformers duy nhất — đánh bại π0.5 trên cả benchmark tĩnh lẫn động.

Khám phá Qwen-VLA — VLA generalist Alibaba dùng Qwen3.5-4B + DiT decoder, một bộ weight cho manipulation, navigation và đa robot dị cấu hình.

XPENG Robotics giới thiệu ROVE — framework RL post-training VLA bằng cách tận dụng can thiệp không hoàn hảo của người dùng để cải thiện policy thao tác khéo léo của humanoid.

Stanford giới thiệu InSight — framework giúp VLA tự phân tích primitive, nhận diện kỹ năng còn thiếu và tự học qua vòng lặp VLM-guided flywheel mà không cần thêm dữ liệu demo từ người.

UC Berkeley giới thiệu LeVERB — framework và benchmark đầu tiên nối VLA với Whole-Body Control humanoid qua latent action space. 58.5% success rate, zero-shot sim-to-real trên Unitree G1.

LeVERB (UC Berkeley) — framework phân cấp đầu tiên cho điều khiển toàn thân humanoid bằng latent VLA, zero-shot sim-to-real trên Unitree G1, đạt 58.5% thành công.

VLA-JEPA kết hợp Qwen3-VL với V-JEPA2 latent world model, chạy 10Hz trên RTX 3080, fine-tune chỉ cần 13 demo. Hướng dẫn cài đặt và training trên LeRobot.

ROVE dùng Optimistic Value Estimation (OVE) để fine-tune VLA humanoid manipulation từ human intervention imperfect — pipeline thực tế từ XPENG Robotics.

Hướng dẫn thực hành RLinf-Co — framework open-source kết hợp RL và dữ liệu thực để train π₀/π₀.₅ VLA tốt hơn imitation learning thuần túy.

Hướng dẫn DREAM-Chunk: reactive action chunking bằng latent world model cho VLA robot, từ ý tưởng paper đến training và inference.

Hướng dẫn MemoryVLA++: PCMB memory, latent imagination bằng world model, training, inference và kết quả cho manipulation dài hạn.

Hướng dẫn cài đặt, chạy inference, đọc dữ liệu UMI và fine-tune Hy-Embodied-0.5-VLA cho thao tác song thủ.

Hướng dẫn WEAVER: world model đa góc nhìn giúp đánh giá, fine-tune và steer π0.5 VLA manipulation nhanh hơn.

Hướng dẫn M3imic: ý tưởng, kiến trúc, cài đặt Isaac Lab, training, inference và kết quả trên Unitree G1.

RISE dùng compositional world model để cho VLA policy tự cải thiện trong imagination trước khi deploy lên robot thật.

Từng bước chạy RISE training pipeline: cài đặt, chuẩn bị data LeRobot, offline policy training, dynamics model, và online self-improvement loop trên 4–8 GPU.

Bóc tách GR00T-WholeBodyControl qua decoupled_wbc, gear_sonic và gear_sonic_deploy để hiểu SONIC từ paper đến repo.

Hướng dẫn chạy MuJoCo sim2sim và Isaac Lab eval cho SONIC, từ sample_data đến success_rate, mpjpe_l và mpjpe_g.

Hướng dẫn chuyển BONES-SEED CSV/BVH sang motion_lib PKL, lọc motion và cấu hình training SONIC.

Phân tích luồng deploy SONIC C++ qua ONNX, TensorRT, ZMQ, observation config và visualize_motion.py.

Hướng dẫn luồng PICO teleop, zmq_manager, data exporter và LeRobot v2.1 cho VLA trên SONIC.

Khóa ETH từ MDP, imitation learning, RL đến VLA/foundation models, kèm repo homework và cách tự học thực tế.

DIRECT học cách chọn planner rẻ hay mạnh cho từng task robot, giữ success cao nhưng giảm latency khi dùng VLM/VLA.

Hướng dẫn LIBERO-Occ và Viewpoint Imagination để đánh giá, train và chạy VLA manipulation khi vật thể bị che khuất.

Hướng dẫn chạy LabVLA — mô hình VLA đầu tiên cho lab khoa học, kết hợp Qwen3-VL-4B với DiT flow-matching và LeRobot v2 format. 71.1% trên LabUtopia benchmark.

Hướng dẫn ASAP của LeCAR-Lab: motion tracking, delta action model, fine-tuning và deploy sim-to-real cho Unitree G1.

Hướng dẫn World Pilot: dùng World-Action Priors để tăng zero-shot OOD robustness cho VLA robot.

Hướng dẫn thử UniIntervene: dùng value-risk critic và memory-guided recovery để fine-tune robot bằng real-world RL ít phụ thuộc human takeover.

Hướng dẫn chạy TREAD để cắt trajectory, tạo nhãn sub-task bằng VLM và fine-tune VLA tốt hơn trên LIBERO.

Hướng dẫn dùng SARM trong LeRobot để học task progress từ video, chấm điểm rollout và cải thiện VLA bằng RA-BC.

Hướng dẫn OASIS: dựng asset, teleop trong Isaac Lab, render domain randomization, train policy toàn thân và deploy zero-shot cho Unitree G1.

Chạy FRoM-W1 từ prompt văn bản sang motion H-GPT, retarget H-ACT và policy G1, rồi so với VIRAL.

Triển khai CLONE cho G1 với Apple Vision Pro, LiDAR odometry, MoE policy và bảng chọn stack whole-body VLA.

Dựng OpenWBT cho Unitree G1, kiểm tra policy ONNX, chạy teleop trong MuJoCo rồi mới thử robot thật qua eno1.

Dựng vòng TWIST2 từ ONNX checkpoint đến G1 thật: Redis bus, PICO teleop, sim2sim, sim2real và data recording.

Xây pipeline EgoHumanoid từ human/robot data, view alignment, action alignment, LeRobot, train và deploy policy cho G1.

Dựng VIRAL với Isaac Sim 5.1: PPO teacher, RGB DAgger student, Hydra fields, export ONNX và so sánh EgoHumanoid.

Hướng dẫn cài đặt, đánh giá LIBERO và fine-tune Embodied-R1.5-VLA cho robot manipulation từ checkpoint open-source.

Hướng dẫn beginner xây YUBI, thu dữ liệu bimanual theo chuẩn LeRobot, rồi train và deploy VLA policy.

Cách biến bảng đánh giá WholeBodyVLA thành scorecard subgoal, ablation và failure log cho humanoid loco-manipulation.

Bản đồ dễ hiểu về VLM, hai LAM, decoder 10 Hz và LMO 50 Hz trong pipeline WholeBodyVLA.

Hướng dẫn chạy Omega-QVLA để nén GR00T N1.5 và pi0.5 xuống W4A4 cho VLA manipulation trên edge.

Thiết kế raw log MCAP cho humanoid VLA: record, YAML writer options, replay, inspect và map topic sang LeRobot/Robo-DM.

Thiết kế data lake hai tầng: LeRobot Parquet+MP4 để chia sẻ và Robo-DM .vla trajectory để training VLA nhanh hơn.

Workflow Isaac Lab Mimic để lọc demo, mở rộng 5 demo thành 1000 trials và QA dataset trước khi train BC.

Cách đánh giá WholeBodyVLA, LMO 50 Hz và WBC ONNX khi mở rộng đội thu dữ liệu humanoid lên 20 operator.

Thiết kế ca thu dữ liệu humanoid VLA đầu tiên với 2 operator: checklist camera, state, action, language, episode và throughput.

So sánh keyboard, SpaceMouse, OpenXR hand tracking và GR00T WBC để chọn teleop stack theo latency, an toàn và loại action.

Hướng dẫn chi tiết HEX — VLA whole-body manipulation đầu tiên cho humanoid full-size, hỗ trợ 7 embodiment, open-source với Qwen3-VL + MoE + DiT flow-matching.

Hướng dẫn ProcVLM: biến video robot thành dense reward để fine-tune VLA manipulation bằng RL và reward-guided training.

Hướng dẫn ACoT-VLA: action chain-of-thought, kiến trúc EAR/IAR, LeRobot-format data, training, inference và kết quả.

Hướng dẫn StressDream: dùng video world model và VLM để tìm failure plausible trước khi deploy policy robot manipulation.

Hướng dẫn train VIRAL và DoorMan cho Unitree G1 trong Isaac Lab: cài đặt, teacher-student, DAgger, GRPO, inference và sim-to-real.

Hướng dẫn fine-tune GalaxeaVLA G0Tiny 250M với dataset LeRobot cho robot manipulation thực tế.

Deep dive OpenVLA 7B: ý tưởng, kiến trúc, cài đặt, fine-tuning, inference và kết quả thực nghiệm cho robot manipulation.

Hướng dẫn beginner về GR00T N1.7, SONIC và pipeline whole-body VLA: lấy data, fine-tune, inference và triển khai.

Các bước tạo synthetic data cho GR00T whole-body VLA, định dạng LeRobot, modality.json, training và inference cho beginner.

Phần 1 của series GR00T whole-body VLA data pipeline: tải public dataset, chuẩn hóa GR00T-LeRobot, verify, fine-tune và inference.

Phần 3 của series GR00T whole-body VLA data pipeline: khi nào cần data real, thu VR teleop với SONIC, export LeRobot, mix real/sim/public và deploy.

Phần 2 của series GR00T whole-body VLA data pipeline: sinh data trong Isaac Lab/IsaacLab-Arena, convert GR00T-LeRobot, train sim-only và mix public.

Phần 4 của series GR00T whole-body pipeline: xử lý Bones-SEED/SOMA motion data, train/finetune SONIC, đánh giá checkpoint và export ONNX cho C++ deploy.

Wall-OSS-0.5 là VLA open-source 4B cho zero-shot real-robot manipulation, tích hợp LeRobot và dùng gradient-bridged co-training.

Hướng dẫn GRAIL: tạo dữ liệu synthetic từ 3D assets và video priors để fine-tune VLA whole-body manipulation trên Unitree G1.

Kiến trúc software stack cho humanoid robot: realtime control, ROS 2, simulator, teleop data, LeRobot, VLA policy, deployment và monitoring.

Hướng dẫn chạy Wall-OSS-0.5, VLA 4B open-source zero-shot cho robot manipulation, từ paper đến LeRobot training và inference.

Deep dive WholeBodyVLA, LMO RL và xu hướng WBC + VLA giúp humanoid vừa đi vừa thao tác trong không gian lớn.

VLA-RFT dùng world model làm simulator để fine-tune VLA bằng GRPO, reward kiểm chứng và code GitHub trên LIBERO.

Cách dùng SafeContract để kiểm tra, hiệu chỉnh và chặn action nguy hiểm khi deploy SmolVLA/OpenVLA trên LeRobot.

Hướng dẫn chi tiết OpenHelix — cài đặt, train và deploy Dual-System VLA đạt SOTA trên CALVIN ABC-D với LLaVA-7B + 3D Diffuser Actor, beginner-friendly từng bước.

Hướng dẫn A1 VLA open-source: giảm latency 72% trên Franka/AgiBot nhờ Inter-Layer Truncated Flow Matching, đạt SOTA trên LIBERO 96.6% và VLABench 53.5%.

Hướng dẫn build LeRobot Humanoid $2500 từ HuggingFace — bipedal robot 3D-in full open-source: BOM, sim MJLab, training RL và deploy real-world cho beginner.

Hướng dẫn deploy GalaxeaVLA G0 Plus — VLA zero-shot Pick Up Anything bằng Docker trong 30 phút, code + checkpoint open-source trên HuggingFace.

Hướng dẫn X-VLA — flow-matching VLA 0.9B đạt SOTA trên 6 sim + 3 robot thật, native LeRobot, code open-source HuggingFace.

Hướng dẫn ABot-M0 từ AMAP CVLab Alibaba: VLA train trên 6M+ trajectories, predict clean actions thay vì noise, code + weights open-source.

Hướng dẫn VLA-Adapter từ OpenHelix — train VLA 0.5B trên GPU consumer 8 giờ, đạt SOTA LIBERO, deploy thật trên Franka/UR-5.

ICLR 2026 — pipeline thực chiến từ thu thập teleop, train unified latent VLA đến deploy whole-body loco-manipulation trên AgiBot X2.

NVIDIA NVlabs chứng minh: action as text đạt 94.7% trên LIBERO, vượt pi_0 và GR00T-N1 mà không cần sửa kiến trúc — chỉ với Qwen2.5-VL-3B.

Hướng dẫn chi tiết RDT2 từ THU-ML — foundation model zero-shot deploy cho bimanual UR5e và Franka, với code open-source.

Hướng dẫn chi tiết từng bước pipeline training WholebodyVLA — từ thu thập dữ liệu egocentric, training LAM, fine-tune VLA đến deploy LMO RL policy trên humanoid thật.

Phân tích OpenHelix — VLA dual-system mã nguồn mở đạt SOTA trên CALVIN, kết hợp LLaVA-7B với 3D diffusion policy qua learned ACT token.

Hướng dẫn triển khai Pi0-FAST trên Unitree G1 với whole-body loco-manipulation trong LeRobot v0.5.0 — từ setup, teleoperation, đến inference.

Hướng dẫn fine-tune GR00T N1.7 của NVIDIA với EgoScale — 20.854 giờ video egocentric — từ cài đặt môi trường đến deploy policy trên robot humanoid.

Hướng dẫn chi tiết fine-tune NVIDIA GR00T N1.6 — VLA model 3B tham số kết hợp Cosmos Reason 2 để điều khiển humanoid robot từ ảnh và ngôn ngữ.

Hướng dẫn chi tiết GEAR-SONIC của NVIDIA — huấn luyện whole-body controller cho humanoid robot với dataset BONES-SEED và VR teleoperation.

Deep-dive vào codebase WholebodyVLA — kiến trúc latent action, LMO RL policy, và cách xây dựng pipeline whole-body loco-manipulation cho humanoid.

Hướng dẫn chi tiết xây dựng Vision-Language-Action model với StarVLA — framework mô-đun kiểu Lego từ ICLR 2026, hỗ trợ 4 kiến trúc action head.

Hướng dẫn chi tiết fine-tune VLA model GR00T N1 cho humanoid robot với Isaac Lab và dữ liệu AGIBOT World — từ cài đặt đến inference.

Hướng dẫn chi tiết huấn luyện VLA bằng World Model và Reinforcement Learning với framework RAMP từ GigaBrain — open-source, 3.5B params.

Fine-tune VLA lớn bằng LoRA trên GPU nhỏ, deploy lên robot thật với Real-Time Chunking — production-ready workflow.

Hướng dẫn từng bước setup OpenArm, calibrate, teleoperate và thu thập 50 episodes gắp hộp carton với LeRobot.

Train SmolVLA, ACT, Pi0-FAST cho OpenArm gắp hộp carton — từ fine-tune đến deploy robot thật và cải thiện bằng HIL-SERL.

Setup OpenArm trong Isaac Lab, collect demonstration data trong simulation, và convert sang format cho SimpleVLA-RL training.

Hướng dẫn chi tiết SFT fine-tuning và RL training với SimpleVLA-RL cho OpenArm — từ config environment đến chạy GRPO.

Deploy model SimpleVLA-RL từ simulation lên OpenArm thật — camera setup, action mapping, và tips giảm sim-to-real gap.

Phân tích kết quả SimpleVLA-RL: ablation studies, hiện tượng pushcut, real-world transfer, và 5 bài học rút ra.

So sánh chi tiết SimpleVLA-RL và LeRobot: RL approach, VLA models, sim vs real, data efficiency — hai framework bổ trợ nhau.

Phân tích chi tiết cách tiếp cận training robot OpenArm 7-DoF gắp hộp carton — so sánh 2 lộ trình: LeRobot native vs SimpleVLA-RL.

Phân tích ablation studies, so sánh baselines, và 5 bài học quan trọng nhất từ Ψ₀ cho người mới bắt đầu.

Hướng dẫn train Pi0-FAST trong LeRobot — từ train FAST tokenizer, fine-tune model, đến inference với KV-caching.

Hướng dẫn chi tiết dùng HIL-SERL trong LeRobot — reinforcement learning trực tiếp trên robot thật với human interventions.

SimpleVLA-RL dùng reinforcement learning với reward đơn giản 0/1 để nâng VLA từ 17 lên 92 điểm — không cần thiết kế reward phức tạp.

Hướng dẫn chi tiết fine-tune SmolVLA — VLA model 450M chạy được trên GPU thường, từ collect data đến deploy robot thật.

MMaDA-VLA gộp language, vision và robot actions vào 1 không gian token duy nhất bằng discrete diffusion — hướng đi mới cho VLA.

Hướng dẫn deploy model Ψ₀, chạy inference trong SIMPLE simulator, và đánh giá kết quả với Real-Time Chunking.

Pipeline hoàn chỉnh từ simulation đến real robot — domain randomization, camera calibration, inference optimization và ROS 2 deployment.

Tổng quan LeRobot v0.5 — Pi0-FAST, SmolVLA, Real-Time Chunking, HIL-SERL, Unitree G1, PEFT/LoRA, và 10x training speed.

Phân tích và hướng dẫn triển khai UnifoLM-VLA-0 — mô hình VLA open-source đầu tiên chạy trực tiếp trên G1 humanoid

ICLR 2026 — học manipulation từ egocentric video, kết hợp VLA + RL cho locomotion-aware control

Hướng dẫn chi tiết cài đặt môi trường Ψ₀ và chạy 3 giai đoạn training: pre-train, post-train, fine-tune.

Hướng dẫn chi tiết cài đặt môi trường, chạy SFT cold-start, và training RL cho SimpleVLA-RL trên LIBERO và RoboTwin.

Framework RL online cho VLA — vượt pi0-FAST trên 40 tasks, phát hiện inference scaling law đầu tiên cho robotics

Robot hình người là nền tảng manipulation tối thượng — high-DOF control, egocentric vision, và humanoid foundation models.

Tìm hiểu data recipe của Ψ₀ — tại sao 860h data thắng 10,000h, cách xử lý EgoDex, Humanoid Everyday, và LeRobot format.

Deep-dive vào OpenVLA-OFT backbone, GRPO optimizer, dynamic sampling, và cơ chế exploration giúp VLA tự cải thiện.

Kết hợp navigation và manipulation trên mobile robot — action space mở rộng, whole-body coordination, và sim environments.

Deep-dive vào kiến trúc Ψ₀: System-2 (VLM), System-1 (MM-DiT), System-0 (RL Controller) — não, tay, chân của robot.

Train bimanual policies cho các task thực tế — gấp khăn, rót nước, lắp ráp. So sánh ACT vs Diffusion Policy cho dual-arm.

Giới thiệu SimpleVLA-RL — dùng RL đơn giản với reward 0/1 để cải thiện VLA model 430%, không cần reward engineering.

Giới thiệu Ψ₀ — foundation model dạy robot humanoid vừa đi vừa thao tác đồ vật. Hiểu bài toán, ý tưởng, và tại sao nó quan trọng.

Hướng dẫn thiết lập hệ thống dual-arm robot với LeRobot — calibration, coordinate frames, và chuẩn bị cho bimanual tasks.

Xây dựng policy cho long-horizon tasks — hierarchical planning, curriculum learning, và failure recovery cho chuỗi hành động phức tạp.

Tổng quan LeRobot của Hugging Face -- models, datasets, hardware support và cách bắt đầu với $100.

Mở rộng từ single-object sang multi-object manipulation — sorting, stacking, rearranging với language-conditioned policies.

Hướng dẫn train ACT và Diffusion Policy trên LeRobot, so sánh hiệu năng, hyperparameter tuning và visualize kết quả.

Hướng dẫn chi tiết thu thập dữ liệu demonstration bằng teleop trong simulation với LeRobot — từ setup đến dataset hoàn chỉnh.

Khám phá kiến trúc LeRobot từ HuggingFace — dataset format, policy zoo, training pipeline và so sánh với các framework khác.