arXiv · 机器人与计算机视觉· Zirui Wu, Chen Guo, Tianjian Jiang, Zeren Jiang, Zeming Li, Lingchen Yang, Longteng Duan, Ying Xue, Handi Yin, Shenyuan Gao, Martin R. Oswald, Jun Zhang, Ping Tan, Jie Song·· 2026-10-16精选AI 评分83
P^3-WAM:面向第一人称灵巧操作的统一世界动作模型
Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation
AI 导读
论文介绍了 P^3-WAM,这是一个用于第一人称灵巧操作的统一世界动作模型,通过学习感知、预测和规划三种互补模式来整合 3D 动作表示与预训练视频扩散 Transformer。实验表明,统一训练在四个数据集上的 3D 手部重建、动作条件视频预测以及指令遵循度上均优于专用基线,且无需将单一任务拆分为独立模块。
推荐理由
该工作提出了统一的 P^3-WAM 模型,通过单一架构同时实现手动作重建、视觉未来预测与目标导向规划。
来源:arXiv · 机器人与计算机视觉 · arxiv.org