GreenWAM：面向机器人的世界基础模型

问题

机器人既需要预测动作会如何改变场景的世界模型，也需要选择动作的策略。然而，模型通常只为其中一种角色构建和评估。而且各机器人的动作记录格式不同，也难以联合训练多种机器人形态。

方法

根据摘要整理，方案有三点。(1) 构建解剖学意义上的共享动作空间，用共同的关节坐标表示从双臂机器人到拥有灵巧手的人形机器人在内的 20 种机器人。(2) 以视觉预测、动作条件预测和世界-动作模式联合训练。(3) 从生成器中分离出动作专家（action expert）来构建策略。为实现实时控制，还将其蒸馏为 1-step 策略。

结果

• 作者报告称，在 WorldArena 1.0 上，其轨迹、深度和 3D 准确度均领先于所有对比的世界-动作模型和视频生成模型
• 作者报告称，作为策略，其在 RoboTwin 2.0 排行榜上位居前列，LIBERO-plus 零样本成功率为对比方法中最高，在 CALVIN 和 LIBERO 上与专用 VLA 及世界-动作策略性能相当
• 作者报告称，在真实人形机器人上，其成功率高于适配后的 π0.5 和 Cosmos 3 Edge 策略
• 通过对照实验给出了三点结论。机器人专用训练能同时改善预测与控制。在适配初期分离动作专家是有效的。在策略适配过程中保持世界模型模式，可以保留对场景变化的鲁棒性。

局限

这是基于摘要的分析。由于未能查看正文，无法确认具体数值、数据规模以及真实机器人实验的次数和条件。报告中的真实机器人实验仅使用了一种人形机器人。

意义

将不同机器人形态统一到一个动作空间中，并给出了一个模型可同时承担预测和控制的依据。对机器人基础模型的数据整合与训练设计方向具有参考价值。

关键术语

世界模型

以当前场景和动作为输入，预测下一场景将如何变化的模型。

WAM(World-Action Model)

在一个模型中同时处理未来场景预测和动作生成的结构。

共享动作空间（Shared action space）

将各机器人不同的动作记录格式对齐到共同的关节坐标，使多种机器人的数据能够用一个模型训练的表示方式。

原文

• arXiv 摘要页
• PDF
• 代码
• 项目
• Hugging Face

作者: Gennady Sidorov, Valerii Kornilov, Denis Grankin, Polina Fedotova, Aleksey Postnikov · 发布 2026-10-13 · 许可 CC BY 4.0 · 基于摘要分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。