7大人形策略基线大比拼Psi0统一基准下GR00T、π0.5、H-RDT、ACT与DP横评【免费下载链接】Psi0[RSS26] Welcome to Psi-Zero, a Humanoid VLA towards Universal Humanoid Intelligence.项目地址: https://gitcode.com/gh_mirrors/ps/Psi0Ψ₀Psi0是一个面向人形机器人行走-操作Loco-Manipulation的开源视觉-语言-动作VLA基础模型RSS26。除了模型本身Psi0 最大的亮点之一是在同一个仓库中内置了GR00T、OpenPi π0.5、H-RDT、ACT、Diffusion Policy 等 7 大主流人形策略基线并提供统一的数据格式、训练入口与仿真评测流程让新手也能公平地横向对比这些人形策略模型的强弱。为什么人形策略需要统一基准人形机器人操作领域有一个痛点GR00T、π0.5、H-RDT、ACT、DP 这些策略模型大多各自为战——数据格式不同、动作维度不同、评测协议不同论文里的数字很难直接比较。Psi0 的做法是让所有基线站在同一条起跑线上统一数据格式所有任务数据都转换成 LeRobot 格式并预先算好模态统计量任何基线开箱即用共享数据加载器与模型代码各基线共用 src/ 下的数据管线只改最少的代码统一仿真评测用基于 MuJoCo Isaac Sim 的SIMPLE 仿真基准做闭环评测并提供 3 档域随机化难度level-0/1/2统一评测脚本开环评测open-loop 闭环仿真评测指标口径一致。7大基线模型一览表Psi0 的 baselines/ 目录收纳了 7 个基线每个都有独立的环境说明文档基线模型类型代码位置说明文档GR00T N1.6人形 VLAsrc/gr00t/baselines/gr00t-n1.6/README.mdOpenPi π0.5双臂 VLA扩散动作专家src/openpi/baselines/pi05/README.mdH-RDT人类数据预训练 扩散 Transformersrc/h_rdt/baselines/h-rdt/README.mdEgoVLA第一视角 VLAsrc/egovla/baselines/egovla/README.mdInternVLA-M1多模态 VLAsrc/InternVLA-M1/baselines/internvla-m1/README.mdDiffusion Policy (DP)扩散策略无语言src/dp/baselines/dp/README.mdACT动作分块 Transformer无语言src/act/baselines/act/README.md此外还有DreamZerobaselines/dreamzero/等扩展基线可用于 SIMPLE 任务的对比实验。各基线的性格速读GR00T N1.6面向人形机器人的 VLA支持 YAML 预设的一键训练与部署适合做人形全家桶对照。预设文件见 baselines/gr00t-n1.6/presets/train/ 与 baselines/gr00t-n1.6/presets/eval/。OpenPi π0.5来自 Physical Intelligence 的开源 VLAPsi0 将其动作维度从 32 扩到 36 以适配人形全身控制并提供了 PyTorch 版预训练权重加载路径。H-RDT用大规模第一视角人类操作数据预训练、再跨本体微调的扩散 Transformer是人类数据先验路线的代表。ACT / DP⚡两个经典纯动作模型没有语言骨干胜在轻量、训练快常用作理解 VLA 收益的对照底线。EgoVLA / InternVLA-M1分别走第一视角视频路线和多模态路线适合研究视觉先验从哪里来。环境隔离公平对比的工程关键很多团队对比基线时翻车往往栽在环境冲突上PyTorch 版本、transformers 版本打架。Psi0 的环境管理设计很值得借鉴见 baselines/README.mdΨ₀ 主环境由根目录 pyproject.toml 管理包含base、psi、viz、serve依赖组每个基线一个独立虚拟环境.venv-act、.venv-dp、.venv-openpi……通过uv创建锁定各自的torch与transformers版本所有环境共享同一份 src/ 源码因此数据加载器、模型定义、统计量口径天然一致——这正是公平横评的基础。新手快速上手三步完成一次基线对比1️⃣ 获取仓库与环境git clone https://gitcode.com/gh_mirrors/ps/Psi0 cd Psi0 uv venv .venv-act --python 3.10 source .venv-act/bin/activate完整安装流程参考 examples/quick_start/psi.md。2️⃣ 下载任务数据并训练各基线都提供了一条命令训练脚本以 ACT 为例export taskG1WholebodyXMovePick-v0 bash baselines/act/train_act_g1_simple.sh $taskDP 的对应脚本在 baselines/dp/train_dp_g1_simple.shπ0.5 在 baselines/pi05/train_pi05.sh。训练时建议保持全局 batch size 128以保证与 Ψ₀ 官方实验口径一致。3️⃣ 起服务并评测训练完成后先用一键脚本起推理服务如 baselines/act/serve_act_g1_simple.sh然后做两级评测开环评测让模型回放训练数据检验拟合能力。例如 baselines/pi05/eval_openloop.py闭环评测在 SIMPLE 仿真器中真正让机器人执行任务支持level-0/1/2三档域随机化直接看任务成功率。选型建议该用哪个基线想要最强上限、有语言指令优先 GR00T 或 π0.5两者都是完整 VLA可直接复用到 Ψ₀ 的人形任务上研究人类数据迁移路线选 H-RDT它的人类预训练流程开箱即有src/h_rdt/datasets/pretrain/⚡GPU 有限、只想快速验证ACT 和 DP 训练快、显存省是绝佳的对照基线终极对照用 Ψ₀ 本体与上述基线同条件对比复现流程见 examples/quick_start/psi.md 与 examples/simple/ 的开环评测示例 openloop_eval_simple.py。关键资料导航基线总说明baselines/README.mdΨ₀ 主模型源码src/psi/models/psi0.py训练脚本合集scripts/train/SIMPLE 仿真评测入口examples/quick_start/simple.md新本体接入指南examples/Add_a_new_embodiment.md评测数据与统计assets/stats/在 Psi0 的这套统一基准下人形策略模型哪个好不再是一个需要反复对齐口径的玄学问题——选环境、下数据、跑脚本7 个基线的成绩单一次跑齐。【免费下载链接】Psi0[RSS26] Welcome to Psi-Zero, a Humanoid VLA towards Universal Humanoid Intelligence.项目地址: https://gitcode.com/gh_mirrors/ps/Psi0创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考