1. 博客导读

这篇适合在你已经知道 VLA 基础以后再看。它的目标不是把模型名字背下来，而是让你能在面试里快速回答“这个模型输入什么、怎么生成动作、为什么这样设计、和别的模型区别在哪”。

如果你只想应付面试，优先掌握 RT-2、OpenVLA、ACT、Diffusion Policy、π0、GR00T、SmolVLA、RDT-1B 这八个词。
如果你想讲出项目取舍，重点掌握“动作表示、推理延迟、数据规模、跨 embodiment、部署方式”这五个维度。

本文目标：把 RT-2、OpenVLA、ACT、Diffusion Policy、RDT-1B、π0、GR00T、SmolVLA 放到同一个框架里比较。面试时不要只背“某模型有什么创新”，而要能说清楚：输入输出、动作表示、训练数据、推理方式、适用场景、缺点和改进方向。

2. 阶段二总图谱

模型/方法	核心动作表示	典型优势	典型短板	面试关键词
RT-2	离散 action token（动作 token）	复用 VLM，语言和动作统一成 token	离散误差、推理延迟、闭环控制压力	web knowledge transfer（互联网知识迁移）、action tokenization（动作 token 化）
OpenVLA	开源 action-token VLA（动作 token 路线 VLA）	开源、可复现、适合二次微调	默认动作空间和数据混合要适配项目	Prismatic、7B、Open X 数据
ACT	CVAE（条件变分自编码器） + action chunk（动作块）	小数据友好、工程闭环快、动作连贯	语言泛化弱，依赖任务内数据	CVAE latent（条件 VAE 潜变量）、temporal ensemble（时间集成）
Diffusion Policy	条件扩散生成连续轨迹	多峰动作、平滑轨迹、接触任务友好	多步采样慢，部署需加速	denoising（去噪）、trajectory distribution（轨迹分布）
RDT-1B	Diffusion Transformer（扩散 Transformer） + action chunk	大模型策略、输入模态丰富	算力和数据要求更高	language + RGB + state
π0	VLA + flow matching action model（流匹配动作模型）	连续动作、跨 embodiment、推理更快	训练和数据工程复杂	flow matching（流匹配）、action expert（动作专家模块）
GR00T	快慢系统，VLM + DiT	人形机器人、合成数据、系统化生态	对硬件和数据链路要求高	System 1/2、humanoid foundation model
SmolVLA	轻量 VLM + flow action expert（流式动作专家）	小模型、开源、异步推理、低成本硬件	能力上限受模型和数据规模限制	450M、LeRobot、async inference（异步推理）

3. Q1：RT-2 为什么能把动作也用“文本 token”表示？工程优势和问题是什么？

3.1 面试官问法

• RT-2 为什么可以直接用 VLM 生成机器人动作？
• action tokenization 的好处是什么？
• 离散动作 token 相比连续动作有什么问题？

3.2 考察点

面试官想看你是否理解 RT-2 的关键不是“用了大模型”，而是把机器人动作序列纳入语言模型的 token 生成范式。

3.3 30 秒回答

RT-2 把连续机器人动作离散化，再映射成类似文本 token（离散序列单元） 的形式，让 VLM（Vision-Language Model，视觉语言模型） 可以在同一个序列建模框架里同时学习语言、视觉和动作。优势是能复用互联网图文预训练带来的语义知识，工程上也能沿用 autoregressive generation（自回归生成） 框架；问题是动作精度受离散 bin 限制，多 token 生成有延迟，而且机器人闭环控制需要额外安全层。

3.4 2-3 分钟展开回答

RT-2 的核心思想是把机器人动作当成一种“新语言”。原始动作可能是末端位姿增量、旋转、夹爪开合等连续值，模型先把每个维度离散化到有限 bin（离散区间），再编码成 token。这样训练时可以把 web-scale（互联网规模） VLM 数据和机器人轨迹数据混合，让模型既学视觉语言语义，也学在给定图像和指令下生成动作 token。

工程优势有三点。

第一，统一接口。语言 token 和动作 token 都能放进 Transformer（基于注意力机制的序列建模架构） 自回归框架，不需要完全重写模型范式。

第二，语义迁移。VLM 在互联网图文中学到的物体、关系、常识可以迁移到机器人任务，比如识别“可乐罐”“抽屉”“垃圾”这些类别。

第三，任务泛化。语言指令可以组合新目标和新动词，模型有机会把语义泛化到动作。

但问题也很明确。机器人动作是连续控制，离散化会带来量化误差；自回归生成多个动作 token 会增加延迟；动作 token 不天然保证平滑、限速和碰撞安全。因此真实部署时要加动作后处理、低层控制器、安全过滤和频率管理。

3.5 常见追问

• 为什么不是直接输出浮点数？
• action token 的 bin 数怎么选？
• RT-2 类方案是否适合高精度装配？

3.6 高分追问回答

直接输出浮点数更贴近控制，但很难直接复用语言模型的 token 生成目标。RT-2 选择 tokenization 是为了把动作纳入 VLM 的生成空间。bin 数是精度和学习难度的折中：bin 太少，动作粗糙；bin 太多，类别稀疏、训练更难、生成更慢。

高精度装配不适合完全依赖离散 action token。更合理的是 VLM 负责语义和阶段选择，低层用连续控制、力控、视觉伺服或专门策略完成精细操作。

4. Q2：OpenVLA 为什么重要？和 RT-2 最大区别是什么？

4.1 面试官问法

• OpenVLA 的贡献是什么？
• OpenVLA 为什么能成为很多 VLA 项目的 baseline？
• 参数少是否一定说明模型更强？

4.2 考察点

这题考论文理解和实验判断。不要把“开源”当成唯一答案，要讲训练配方、数据混合、动作输出和可复现价值。

4.3 30 秒回答

**OpenVLA 的重要性在于它提供了一个开源、可复现的通用 VLA baseline。**它基于开源 VLM 架构和大规模机器人数据训练，让研究者可以微调、部署和对比。和 RT-2 相比，OpenVLA 的重点不是提出 action token 概念，而是把 VLA 做成开放生态下可用的模型和训练流程。

4.4 2-3 分钟展开回答

OpenVLA 常被问，是因为它连接了两个需求：一是学术上需要可复现 baseline，二是工程上需要能拿来 fine-tune（微调） 的开源模型。RT-2 很有代表性，但不少实现细节和训练数据不完全开放；OpenVLA 则让大家可以在自己的机器人数据上做二次训练。

OpenVLA 的典型输入是图像和语言，输出是离散化的机器人动作。它仍然保留 action token 路线，但更强调开放训练、数据混合和模型适配。面试里可以这样比较：

• RT-2 更像证明“VLM 的 web knowledge 可以迁移到机器人控制”。
• OpenVLA 更像提供“开源 VLA 基座和微调起点”。
• 两者都受 action token 离散化和自回归延迟影响。
• 如果项目强调连续控制和低延迟，可能要接 diffusion/flow action head 或改成 chunked continuous action。

参数少但成功率高，不一定说明架构绝对更强。 机器人 benchmark 受数据分布、动作空间、评测任务、控制频率、相机设置影响很大。回答时要避免简单说“参数少 7 倍所以更优”，而要说它在特定评测协议下实现了更好的数据/模型匹配。

4.5 常见追问

• 如果用 OpenVLA 迁移到自己的机械臂，第一步改什么？
• OpenVLA 的动作空间不匹配怎么办？
• OpenVLA 适合做高频控制吗？

4.6 高分追问回答

第一步不是直接训练，而是对齐 data schema（数据格式规范）：相机视角、图像尺寸、语言标注、机器人状态、动作维度、控制频率和归一化方式。动作空间不匹配时，需要做 action adapter（动作适配器），例如把模型输出映射到本机 EEF delta（末端执行器增量） 或 joint command（关节命令）；必要时重新定义 tokenization 或改连续 action head。

OpenVLA 默认不适合直接做高频低层控制。更稳的做法是让它输出低频动作或短轨迹，再由低层控制器插补执行；或者把 OpenVLA 作为高层语义基座，下面接 ACT/Diffusion/Flow 策略。

5. Q3：ACT 的训练和推理流程是什么？

5.1 面试官问法

• ACT 为什么要用 CVAE？
• action chunking 解决了什么问题？
• ACT 推理时 temporal ensemble 是怎么做的？

5.2 考察点

ACT 是小数据机器人项目里非常高频的 baseline。面试官会看你是否真懂训练/推理，而不是只知道名字。

5.3 30 秒回答

**ACT（Action Chunking with Transformers，基于 Transformer 的动作分块方法）用 Transformer 根据当前图像和机器人状态预测未来一段 action chunk（动作块）。**训练时用 CVAE（Conditional VAE，条件变分自编码器）学一个 latent style（潜在风格），让模型能处理同一任务下多种专家动作模式；推理时从 prior（先验分布） 采样或取均值，生成未来 $K$ 步动作。为了减少 chunk 边界抖动，通常用 temporal ensemble（时间集成）融合多个时间步预测到的重叠动作。

5.4 2-3 分钟展开回答

ACT 的输入通常是多视角图像、机器人 proprioception（本体感知） 和当前时间信息，输出是未来 $K$ 步动作。它和普通 BC 最大区别是：不是预测下一步，而是预测一段动作序列。这样可以降低有效 horizon，让模型学到局部行为片段，比如接近、闭合夹爪、抬起、移动。

**CVAE 的作用是建模动作多样性。**训练时 encoder（编码器） 看专家动作 chunk，把它压成 latent（潜变量） $z$；decoder（解码器） 根据视觉状态、机器人状态和 $z$ 重建动作 chunk。这样同一个观测下，如果专家有多种合理轨迹，模型不必用 MSE（Mean Squared Error，均方误差） 学成平均动作。

推理时没有专家动作，所以从先验 $z$ 采样或取均值，再由 decoder 输出动作 chunk。Temporal ensemble（时间集成） 的直觉是：每个时刻都会收到过去多次预测中对当前动作的估计，把它们加权平均，可以减少预测边界不连续和抖动。

ACT 的优点是工程简单、小数据可用、推理比多步 diffusion 快。缺点是语言泛化和跨任务泛化依赖数据；如果任务差异很大，需要引入语言条件或更强视觉语义 backbone（主干网络）。

5.5 常见追问

• ACT 和普通行为克隆区别是什么？
• CVAE 会不会 posterior collapse？
• chunk size 怎么选？

5.6 高分追问回答

普通 BC（Behavior Cloning，行为克隆） 学 $a_t=f(o_t)$，ACT 学 $a_{t:t+K}=f(o_t)$，它更像短 horizon trajectory policy（短时域轨迹策略）。CVAE 确实可能 posterior collapse（后验坍塌），所以要关注 KL 权重、latent 维度、重建质量和采样多样性。chunk size（动作块长度） 要根据控制频率和任务反应性选：太短退化成单步 BC，太长容易对新观测反应慢。

6. Q4：Diffusion Policy 和传统 BC 相比优势在哪里？

6.1 面试官问法

• Diffusion Policy 是怎么建模 action space 的？
• 它建模 joint distribution 还是 marginal？
• 为什么 diffusion 适合机器人连续动作？

6.2 考察点

这题是阶段四生成模型基础的预告。阶段二重点讲模型直觉和机器人意义。

6.3 30 秒回答

Diffusion Policy（扩散策略）把未来一段动作轨迹看作条件生成对象，在视觉和状态条件下从噪声逐步去噪得到 action trajectory（动作轨迹）。相比 BC 的单点回归，它能建模多峰动作分布和动作间相关性，通常是对整个 action chunk 的 joint distribution（联合分布） 建模，而不是每个时间步独立预测。

6.4 2-3 分钟展开回答

传统 BC 常用 MSE 回归动作。如果同一观测下有多种可行操作，比如从左边绕或从右边绕，MSE 会学到平均轨迹，而平均轨迹可能撞到物体。Diffusion Policy 用生成式建模，可以保留多峰分布。

它通常不是独立预测每一维动作，而是生成未来一段连续动作序列。模型在每个去噪步输入 noisy action chunk（加噪动作块）、视觉特征、机器人状态和时间步 embedding（向量表示），输出噪声或 denoised action（去噪后的动作）。这样动作维度之间、时间步之间的相关性都能被建模。

优势有三点：

• 连续性：动作轨迹天然连续，适合控制。
• 多峰性：能表达多个合理策略，而不是平均动作。
• 闭环性：每次只执行前几步，再根据新观测重采样。

缺点是采样步数多，推理延迟比 ACT 或直接回归高。工程上可以用 DDIM、少步采样、蒸馏、consistency model 或 flow matching 加速。

6.5 常见追问

• diffusion policy 会不会动作抖动？
• 为什么不是每个 action dimension 独立扩散？
• 多步采样慢怎么解决？

6.6 高分追问回答

如果训练数据抖、条件信息不稳定或采样步数太少，diffusion policy 仍然会抖。解决方式包括动作 chunk、temporal smoothness（时间平滑约束）、低层限速、重叠 chunk 融合和更稳定的视觉状态对齐。每个维度独立扩散会破坏动作相关性，比如末端位移、旋转和夹爪开合必须配合，所以通常建模整个轨迹分布。

7. Q5：RDT-1B 和 Diffusion Policy 怎么选？

7.1 面试官问法

• RDT-1B 和 Diffusion Policy 的定位差异是什么？
• 什么场景下小模型 DP 更好？
• 什么场景下应该上大模型策略？

7.2 考察点

这是选型题。面试官看你是否会根据任务、数据、算力做判断，而不是盲目追大模型。

7.3 30 秒回答

Diffusion Policy 更像任务专家，适合数据量中等、任务边界明确、需要平滑连续控制的场景；RDT-1B（Robotics Diffusion Transformer，机器人扩散 Transformer）更像通用机器人策略基座，适合多任务、多模态、多机器人数据和更强泛化需求。数据少、任务单一、部署算力有限时我会先用 DP/ACT；跨任务和语言泛化是主目标时再考虑 RDT/VLA。

7.4 2-3 分钟展开回答

选型可以看四个维度，核心是不要为了追大模型牺牲可验证性和部署闭环。

第一是任务范围。单任务或少数任务，比如固定桌面 pick-and-place，Diffusion Policy 足够强，训练和调试成本更低。多任务、多物体、多语言、多场景时，大模型策略更有优势。

第二是数据规模。DP 可以在相对有限的专家数据上训练出不错结果；RDT 这类大模型更依赖大规模、多样化数据，否则容易过拟合或发挥不出泛化能力。

第三是部署算力。DP 可以做小网络和少步采样，ACT 更快；RDT-1B 对 GPU、显存和推理优化要求更高。

第四是研究目标。如果目标是验证新的 action generation、数据策略或控制闭环，小模型更容易做干净实验；如果目标是做通用策略和跨 embodiment 泛化，大模型更有意义。

7.5 常见追问

• 如果只能采 100 条 demo，你会选哪个？
• 如果要支持 20 个任务呢？
• 大模型策略失败时怎么 debug？

7.6 高分追问回答

100 条 demo（示教轨迹） 我会先选 ACT 或 Diffusion Policy，配合预训练视觉 encoder 和数据增强。20 个任务且语言变化明显时，可以考虑 VLA/RDT，但要保证任务标注、动作 schema 和评测协议统一。大模型失败时要拆开看：视觉是否看对、语言是否理解、状态是否对齐、动作头是否平滑、数据是否覆盖当前场景。

8. Q6：π0、π0.5、GR00T、SmolVLA 的 flow/diffusion action expert 怎么理解？

8.1 面试官问法

• π0 和传统 VLA 的差异是什么？
• GR00T 的快慢系统具体怎么分工？
• SmolVLA 为什么强调异步推理？

8.2 考察点

这是前沿模型理解题。核心不是记模型参数，而是理解“VLM 负责语义，连续生成模型负责动作”的趋势。

8.3 30 秒回答

这些模型共同趋势是把高层语义理解和低层连续动作生成分开：VLM/LLM 处理图像语言上下文，action expert 用 flow matching 或 diffusion transformer 生成连续 action chunk。这样比纯 action token 更适合机器人控制，也比纯小策略更有语义泛化潜力。GR00T 明确做快慢系统，SmolVLA 则把这种思路做轻量化，并通过异步推理减少执行等待。

8.4 2-3 分钟展开回答

π0 的代表性意义是把 VLA 和 flow matching（流匹配） 结合。它不是把动作完全当语言 token，而是让模型在语言和视觉条件下生成连续动作轨迹。Flow matching 学的是从噪声分布到真实动作分布的 velocity field（速度场），推理时沿着向量场把噪声搬运到动作，相比传统 diffusion 有潜在的少步推理优势。

GR00T 的表述更偏系统架构。System 2（慢系统） 类似高层 VLM，负责理解环境和指令、生成计划；System 1（快系统） 负责把计划转成连续机器人动作。这种架构适合人形机器人，因为人形任务既需要语义推理，也需要快速、稳定、全身协调的动作。

SmolVLA 的价值在轻量化和工程可用。它不是一味堆参数，而是强调 450M 级别模型、开源数据、flow matching action expert、视觉 token 减少和异步推理。异步推理的关键是机器人执行当前 action chunk 时，并行请求下一段 chunk，避免“执行完等模型”的空档。

8.5 常见追问

• flow matching 和 diffusion action head 本质区别是什么？
• 异步推理会不会用过期观测？
• 快慢系统是不是一定优于端到端？

8.6 高分追问回答

Flow matching 和 diffusion 都是生成动作分布的方法，但训练目标不同。Diffusion 通常学逐步去噪；flow matching 学连续时间向量场。工程上更关心推理步数、稳定性和是否容易蒸馏。异步推理确实有 stale observation 风险，所以要控制 chunk 长度、队列阈值、融合规则和安全中断。快慢系统不是绝对优于端到端，但在真实部署中更容易调试、插入安全约束和优化延迟。

9. Q7：离散动作 token、ACT、Diffusion、Flow Matching 到底怎么选？

9.1 面试官问法

• 你项目里为什么不用 RT-2 那种 action token？
• ACT 和 Diffusion Policy 谁更适合你的任务？
• Flow matching 是不是一定比 diffusion 好？

9.2 考察点

这是综合 tradeoff 题。高分回答要把“任务类型、数据规模、动作精度、推理延迟、泛化需求”放到一起。

9.3 30 秒回答

如果任务语言语义复杂、动作精度要求中等，可以考虑 action token VLA；如果数据少、任务明确、想快速落地，ACT 是强 baseline；如果动作多峰、接触复杂、需要平滑轨迹，Diffusion Policy 更合适；如果要连续动作同时追求少步推理和大模型融合，可以考虑 flow matching action head。但最终要看数据和部署频率，不是范式越新越好。

9.4 2-3 分钟展开回答

我会先问五个问题。

第一，任务是否强依赖语言泛化？如果只是固定任务，没必要上大 VLA；如果语言组合多，VLA 更有价值。

第二，动作是否需要高精度连续控制？高精度装配、接触、插拔等任务不适合粗离散 token，连续 action head 更合理。

第三，数据量有多少？几十到几百条 demo，ACT/DP 更现实；大规模多任务数据才支撑通用 VLA。

第四，推理预算是多少？自回归 token 和多步 diffusion 都可能慢，需要 action chunk、缓存、少步采样或异步推理。

第五，失败成本多高？如果失败成本高，必须保留安全层、低层控制和 fallback（失败兜底策略），不应该让端到端模型直接裸控。

面试里可以给一个明确结论：我会把 ACT 作为最小可行 baseline，把 Diffusion/Flow 作为动作质量升级方向，把 OpenVLA/π0/SmolVLA 作为语言泛化和多任务扩展方向。

10. Q9：UniVLA、late action model、VQ-VAE 这类思路怎么理解？

10.1 面试官问法

• UniVLA 的 late action model 是什么？
• latent action 和直接 action 输出有什么区别？
• 为什么要在中间加 VQ-VAE 这类模块？

10.2 考察点

这类问题通常是在看你是否理解“先压缩再解码”的分层建模思路。即使你没完整复现过，也要能讲清楚它解决的是动作空间太复杂、直接回归太难、长时序太不稳定这几个问题。

10.3 30 秒回答

UniVLA 这类思路一般是先把复杂动作压缩成 latent action，再通过解码器生成最终动作。late action 的意思是 “先做语义或潜在规划，后做具体动作展开”。这样可以 减少动作空间维度、提高序列建模稳定性，也方便把高层语义和低层控制分开。

10.4 2-3 分钟展开回答

如果面试官提 UniVLA，你可以把它理解成 “分层式 VLA”。它的核心不是某个具体名字，而是这种建模逻辑：

1. 先用视觉语言模块理解当前场景和任务。
2. 再把动作映射到一个更低维、更结构化的 latent space（潜空间）。
3. 最后由 action decoder（动作解码器） 或 VQ-VAE 解码成可执行动作。

这样做的原因有两个。

第一，动作直接回归太难。特别是长时序任务、连续控制、多人类风格示教时，动作分布会非常复杂。latent action 可以把**“连续多解”压缩成更紧凑的表示**。

第二，分层更适合工程。高层可以先决定“做什么”，低层再决定“怎么做”。这和大脑/小脑、快慢系统的思路一致。

VQ-VAE（Vector Quantized VAE，向量量化变分自编码器） 在这里通常承担 “离散化 latent” 的角色。VQ（Vector Quantization，向量量化） 意味着把连续 latent 映射到一组 codebook（码本） 向量里，形成更稳定的符号空间。它的优点是更容易序列化，缺点是会引入量化误差。

10.5 常见追问

• latent action 为什么有时比直接回归更稳？
• VQ-VAE 会不会损失动作细节？
• 这种结构适合什么任务？

10.6 高分追问回答

latent action 更稳，是因为它把高维连续动作先投影到一个结构化空间，减少了直接学习复杂动作分布的难度。VQ-VAE 确实会损失一部分细节，所以它更适合中高层动作计划或短轨迹块，而不是特别精细的力控任务。它适合长时序、多任务、需要层次结构的 VLA 场景。

11. Q10：RTC / real-time chunking 是什么？为什么它和动作 chunk 一起被问？

11.1 面试官问法

• RTC 你看过吗？解决什么问题？
• 动作分块增大时，怎么平衡推理延迟和控制精度？
• 异步推理怎么避免模型等控制器？

11.2 考察点

这题本质是在看你是否理解“机器人不是一次性生成答案，而是边执行边推理”。RTC 的价值在于把大模型生成和机器人执行解耦，减少空等时间。

11.3 30 秒回答

RTC（Real-Time Chunking，实时动作分块）可以理解成边执行边生成动作块：模型不是每次只输出一个动作，而是输出一段短动作块，并在执行当前块时并行生成下一块。这样能降低等待推理的空档，兼顾连续性和实时性。chunk 越大，动作越平滑，但响应越慢；chunk 越小，响应越快，但推理开销和边界抖动会更明显。

11.4 2-3 分钟展开回答

RTC 这类问题通常和 action chunk 一起问，是因为它们解决的是同一个矛盾：机器人需要实时控制，但大模型推理不是瞬时完成的。

可以把控制过程理解为：

• 当前时刻 $t$，模型根据观测输出 $K$ 步动作。
• 机器人先执行前 $M$ 步，$M\le K$。
• 在执行期间，模型并行预测下一段动作块。
• 两段动作之间通过重叠、interpolation（插值） 或 temporal ensemble 缝合。

这样做的好处是减少“机器人在等模型”的空档，也让动作更连续。风险是观测会过期，所以需要设置 chunk 长度上限、重规划触发条件和安全中断机制。

11.5 常见追问

• RTC 和低层控制器插补是什么关系？
• 异步推理会不会带来 stale observation？
• 什么时候不适合用 RTC？

11.6 高分追问回答

RTC 不能替代低层控制器。它只是让策略层推理更符合实时系统。低层控制器负责高频稳定跟踪，RTC 负责中频动作生成。stale observation（过期观测） 可以通过缩短 chunk、实时重规划、冲突检测和安全层来缓解。特别是接触任务、动态障碍任务和高频视觉伺服任务，不适合过长的 chunk。

传统的 Action Chunking（动作分块） 范式（图 A 部分）通过让策略模型一次性预测未来的一段时间步序列（动作块），有效减少了逐帧推理的复合误差。然而，其本质上是一种开环执行模式：机器人完整执行完上一个动作块后，才开始根据最新的观测进行下一次推理。这种方式在块与块的切换处容易产生物理上的不连续跳跃，增加安全中断风险，且难以应对Stale Observation（过期观测）。

相比之下，${\pi }_0$ 模型提出的 Real-Time Chunking（RTC，实时动作分块）（图 B 部分）则是针对大范式模型（如 Diffusion/Flow-based）高推理延迟问题的一种闭环工程优化。RTC 的核心在于引入了异步执行和局部修复（Inpainting）机制：在生成新的动作块时，RTC 算法利用上一个动作块的末端（冻结前缀）作为强约束点，通过轨迹修复（Inpainting）技术生成与当前运动状态完美对齐的新轨迹。这种方式避免了传统的“时序集成”可能带来的“平均动作”偏差，在保证动作稳定连贯的同时，实现了基于实时反馈的闭环控制。

12. Q11：π0.5、π*0.6、π0.7 到底怎么区分？

…详情请参照古月居