跳到正文
arXiv · 机器人与计算机视觉· Yang Liu, Xiaoli Liu, Liuzhao Li, Yuduo Song, Muyuan Liu, Xiang Gao·· 22 天前精选AI 评分83

GAWM:一种用于多任务机器人操作的紧凑潜在世界动作模型

GAWM: A Compact Latent World-Action Model for Multi-Task Robot Manipulation

AI 导读

arXiv 论文 GAWM 提出了一种紧凑的多任务世界动作模型(WAM),旨在解决现有基于百亿参数视觉语言或视频生成骨干网络的高训练成本与推理延迟问题。该模型在冻结的 DINOv3 编码器潜在空间内预测未来观测,将每个相机视图的特征压缩为少量 token,并通过轻量级预测器根据任务而非动作来预报这些 token。

推荐理由

该工作提出了一种仅用不到1亿参数且无需预训练的紧凑型世界动作模型,在RoboTwin 2.0和LIBERO基准上表现优异。

来源:arXiv · 机器人与计算机视觉 · arxiv.org