跳到正文
arXiv · 机器人与计算机视觉· Yicheng Jiang, Zesen Gan, Xiaobo Wang, Tianlun He, Chenxu Zhao, Minghui Wu, Xinyue Wang, Jiaxu Wang, Junhao He, Jianan Wang, Qiming Shao·· 2026-10-05精选AI 评分80

AR-WAM:一种面向机器人操作的视觉条件化世界动作模型

AR-WAM: A Visual-Conditioned Agent-Ready World Action Model for Robotic Manipulation

AI 导读

论文提出了 AR-WAM,这是一种视觉条件化、无需语言编码器的 0.5B 参数世界动作模型,通过视觉定位框和操作 token 替代自然语言指令来控制机器人操作。该模型在 RoboTwin 2.0、RMBench 及真实 Astribot S1 双臂平台上表现优异,标准操作任务平均成功率达 85.7%,长程记忆依赖与真机任务分别提升 5.9% 和 36.7%,同时保持最低推理延迟(14.1 ms)。

推荐理由

该工作提出视觉条件化的 AR-WAM 模型,在仿真与真机长程任务中均优于基线,且推理延迟最低。

来源:arXiv · 机器人与计算机视觉 · arxiv.org