跳到正文
arXiv · 机器人与计算机视觉· Jing Lyu, Shuanghao Bai, Runze Xiao, Zhenyu Liao, Wenxing Tan, Zihan Tang, Ruochuan Shi, Cheng Peng, Yuheng Ji, Yihao Wang, Badong Chen, Pengwei Wang, Zhongyuan Wang, Xiaoguang Zhao·· 2026-10-12精选AI 评分77

DIDO:将交互中心动力学蒸馏为一步去噪的世界动作模型

DIDO: Distilling Interaction-Centric Dynamics into One-Step Denoising for World Action Models

AI 导读

世界动作模型(WAMs)利用视频生成预测机器人操作的未来视觉动态,但迭代去噪引入了闭环控制的额外延迟。研究发现静态背景结构收敛快而夹持器与物体的交互动力学需多步才能显现,直接截断会丢失关键信息。

推荐理由

针对多步视频生成在闭环控制中的延迟问题,提出 DIDO 方法将交互动力学蒸馏至单步去噪,结合视觉推理 token 与 DINOv3 对齐,显著降低推理耗时并提升操作成功率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org