W2-CoT

World-to-Wrist VLA模型通过未来手腕建模增强机器人操控能力

研究人员开发了World-to-Wrist VLA (W2-VLA)，一种新颖的视觉-语言-动作模型，专为精细机器人操控而设计。该模型独特地结合了任务条件化的未来手腕建模，使其能够预测手腕层面的交互如何在更广泛的任务背景下演变。W2-VLA利用潜在建模令牌接口和称为W2-CoT的合成管道来提供辅助监督，增强其预测未来动作的能力。实验表明，W2-VLA在操控精度方面有所提高，并保持实时动作生成速度。