跳到正文
arXiv · 机器人与计算机视觉· Menghao Yin, Jiaju Yin, Xiyue Dong, Lixin Xu, Zhenhui Zhang, Ke Zhang, Yating Feng, Renjing Xu·· 2026-10-16AI 评分72

TS-WAM:基于时序潜在动作与世界 - 动作耦合的视觉语言机器人控制

TS-WAM: Temporal Latent Actions and World-Action Coupling for Vision-Language Robot Control

AI 导读

论文提出了 TS-WAM,一种轻量级教师 - 学生世界 - 动作模型,旨在解决依赖动作标记演示且缺乏显式未来视觉状态预测机制的问题。该架构通过自监督时序学习和显式未来预测,利用 vlm-jepa 框架从异构数据中学习,并结合 delta-lwm 耦合潜在动作与视觉特征以指导推理时的动作生成。

来源:arXiv · 机器人与计算机视觉 · arxiv.org