Charles's Castle

家庭机器人常被视为具身智能最具想象力的落地场景，但它也是最容易被低估的复杂场景。 家庭环境看起来比工厂轻松，实际上却包含更多开放物体、更强分布变化、更多人类打断，以及远高于实验室的长尾。真正理解家庭机器人，不仅要看它能做哪些任务，更要看它在哪些流程上最容易失败。 这页的重点不是列举 demo，而是把家庭机器人放回真实家

具身智能一旦离开实验室，面对的就不再是“平均成功率”，而是具体责任边界、真实物理风险和持续运营问题。部署模式决定系统怎样接入业务流程，安全案例则回答一个更根本的问题：为什么我们相信它足够安全、何时必须回退、出了问题如何追责与修复。本页把具身智能系统从研究样机推向生产环境时常见的部署模式与安全论证框架做一个系统梳理。 为

这篇回答的问题。 如何理解“一个任务跑通具身闭环”背后的核心机制、适用边界和下一步阅读路径。 具身智能最容易在抽象层面讲得很漂亮：VLA、WAM、世界模型、planner、controller、success checker 全都重要。但真正理解它，最好从一个任务走一遍。 这页只用一个例子：把圆柱体放进罐口尺寸接近的罐

机器人看到的“图像”并不天然等于 3D 世界。相机类型、标定、深度质量和坐标系会决定机器人能不能估距离、能不能恢复物体尺寸、能不能把视觉结果交给抓取和规划模块。 这页只讲一个问题：从 RGB 图像到机器人可用的 3D 状态，中间发生了什么。 单目为什么有尺度歧义 单目相机只有一个视角。它把 3D 世界投影到 2D 图像

具身智能最容易被讲成“把 VLM 接到机器人上”。这个说法只说中了入口，没有说中系统。真实机器人要在带噪声、会变化、会损坏东西的世界里行动：它看到环境，估计状态，选择动作，执行后再看世界有没有按预期变化。如果没有，系统要能减速、重试、换策略或求助。 所以入门时不要先追模型名。先把一条闭环链路想清楚： VLM 主要解决“

仿真机器人数据集不是“收集一批 3D 模型”这么简单。一个资产要进入机器人训练，必须同时有视觉外观、真实尺寸、物理属性、碰撞体、抓取标注、任务脚本、轨迹规划和成功判定。缺其中一环，数据看起来很多，训练时却很难复现失败。 这页只回答一个问题：从一个物体资产，到一条可训练的机器人轨迹，中间要经过哪些环节。 图源：Spati

图像扩散只要生成一个静态样本，视频扩散要生成一段会动的样本。这个变化看起来只是多了时间轴，实际会把训练、架构、条件控制和评测全部变复杂。 这篇只回答一个问题： 为什么视频扩散不能简单照搬图像扩散，现代视频生成系统又是靠哪些接口把质量、运动和成本一起撑住？ 视频扩散的核心不是“每帧都好看”，而是同时满足五件事：视频压缩器

扩散模型训练的核心不是“从噪声里变出图片”。更准确地说，它训练一个模型：在任意噪声强度下，看着一份被污染的样本，判断它应该往哪个方向移动，才更像真实数据。采样时再把这些局部方向串起来，从纯噪声走回图像、视频、音频或动作轨迹。 这篇只回答一个问题： 为什么主动把好样本加噪，反而能得到一个强生成模型。 先用一张猫图想象。低

扩散模型表面上是在预测噪声，采样时又像在逐步去噪。更统一的读法是：模型在每个噪声水平上学习一个方向场，告诉当前样本应该往哪里移动，才能从噪声分布回到数据分布。这个方向场的核心对象叫 score 。 这页只回答一个问题： 为什么 DDPM 的噪声预测、Score SDE 的反向过程、Probability Flow OD

这篇回答的问题。 如何理解“扩散训练配方与排障”背后的核心机制、适用边界和下一步阅读路径。 扩散训练最容易被误解成一组技巧：数据清洗、cosine schedule、EMA、condition dropout、CFG sweep、几个固定 prompt。真实项目里，这些不是孤立开关，而是一条排障链。样本糊、主体错、pr