研究人员开发了 SG-WAM，一个新颖的自导框架，用于在策略派生表示空间内直接学习几何感知、动作条件动力学。该方法将动作生成与未来状态预测相结合，解决了现有世界动作模型 (WAMs) 在平衡动作相关性与几何感知方面存在的局限性。SG-WAM 利用可学习的动力学令牌和自导世界预测器来预测未来的潜在状态，在 LIBERO 和 LIBERO-Plus 等机器人基准测试中取得了很高的成功率，而无需进行广泛的具身预训练。 AI
影响 这项研究可以通过在复杂环境中实现更精确和上下文感知的动作生成来推动机器人技术的发展。
排序理由 该集群包含两篇相同的学术论文，详细介绍了机器人技术的新研究框架。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
World Action Models (WAMs) couple action generation with prediction of future states. Their effectiveness depends on whether future dynamics are modeled in a space that is both aligned with action generation and sufficiently geometry-aware to capture where and how actions change …
arXiv:2608.01397v1 Announce Type: cross Abstract: World Action Models (WAMs) couple action generation with prediction of future states. Their effectiveness depends on whether future dynamics are modeled in a space that is both aligned with action generation and sufficiently geome…