跳到正文
arXiv · 机器人与计算机视觉· Tingting Du, Ziyao Wang, Guoheng Sun, Ang Li·· 2026-10-05精选AI 评分82

XGenAct:基于跨任务生成的几何增强世界动作模型

XGenAct: Geometry-Enhanced World Action Models through Cross-Task Generation

AI 导读

arXiv 论文发布 XGenAct 模型,该工作旨在解决现有世界动作模型在机器人操作中对空间理解不足的问题。作者提出将 RGB、深度、法线和功能分割统一表示为 RGB 视频,利用单一视频扩散 Transformer 进行跨模态时序预测,无需特定模态的独立头。

推荐理由

该预印本提出通过确定性编码器将深度、法线和功能分割统一为 RGB 视频,利用单一扩散 Transformer 进行跨模态时序预测。

来源:arXiv · 机器人与计算机视觉 · arxiv.org