arXiv cs.RO· Kai Liu, Jiangran Lyu, Tingyu Deng, Yixin Zheng, Jingtian Wan, Wenbo Cui, Mi Yan, Yizhou Zhou, Haoran Li, Dongbin Zhao, Zhizheng Zhang, He Wang·· 6 小时前
世界动作模型需要什么样的视觉表征？R²-WAM 给出答案
What Visual Representations Do World Action Models Need?
AI 导读
研究系统对比了世界动作模型（WAM）中不同视觉表征、五种集成机制与特征组合的效果，发现强通用视觉表征比专用表征更稳健，通道级联合预测平均成功率最高。据此提出的 R²-WAM 在 RoboCasa GR1 Tabletop 上取得 84.7% 成功率，在 RoboTwin 2.0 上达 92.8%，分别较仅用 VAE 的基线提升 5.9 和 2.2 个百分点。
来源：arXiv cs.RO · arxiv.org