arXiv · 机器人与计算机视觉· Ruiyan Xu, Haisheng Su, Sixu Lin, Zhaokun Yue, Chengming Hu, Xin Jin, Guiliang Liu·· 2026-10-06精选AI 评分82
$R^2$-WAM:面向世界动作模型的修复与拒绝后训练方法
$R^2$-WAM: Repair-and-Reject Post-Training for World Action Models
AI 导读
针对世界动作模型(WAMs)预测结果可能与输入动作不一致的问题,本文提出$R^2$-WAM框架。该方法包含两阶段:首先利用运动学对齐分数将预测视频与机器人演示行为进行运动学对齐,确保预测未来忠实反映输入动作;随后比较采样动作与演示动作的想象结果,对任务进度低于参考基准的样本应用负向微调。
推荐理由
提出$R^2$-WAM框架,通过运动学对齐修复预测视频并拒绝低质量样本进行负向微调,在RoboTwin 2.0上平均成功率达93.8%。
来源:arXiv · 机器人与计算机视觉 · arxiv.org