arXiv cs.AI· Qinxi Yu, Wenzhou Ding, Gloria X. Wang, Albert J. Zhai, Shenlong Wang·· 3 天前AI 评分27
Box-WAM：用框轨迹作为世界动作模型的紧凑状态表示
Box-WAM: Box Trajectories as Compact State Representations for World Action Models
AI 导读
Box-WAM 提出用任务相关物体的有向边界框轨迹替代全帧视频预测，作为世界动作模型（WAM）的紧凑未来状态表示。该方法在显著降低训练与推理计算成本的同时提升了动作预测性能，表明以物体为中心的紧凑状态可作为机器人操作中基于视频的世界动作建模的高效替代方案。
正文 · AI 翻译
摘要：世界动作模型（WAMs）是一类策略模型，能够显式地预测动作和未来世界状态。已有研究表明，它们在各种机器人操作任务中优于仅动作模型。然而，用全帧视频预测来表示未来，在训练和推理过程中都可能计算开销巨大。这引出了一个核心问题：什么样的紧凑状态表示能够保留未来预测在规划和监督方面的优势？在本文中，我们提出了 BoxWAM，它用任务相关物体的有向边界框轨迹替代密集的未来帧。通过显式地想象以物体为中心的未来运动，我们的方法提供了一个轻量级的预测目标，能够捕捉机器人动作引起的关键物理变化。我们表明，边界框轨迹预测在显著降低计算成本的同时提升了动作预测性能，这表明以物体为中心的紧凑状态可以作为机器人操作中基于视频的世界动作建模的高效替代方案。结果视频可在 此 https URL 查看
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17526 [cs.RO] |
| （或 arXiv:2610.17526v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17526 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qinxi Yu [查看邮箱]
[v1]
2026年10月13日星期二 00:42:36 UTC（5,062 KB）
来源：arXiv cs.AI · arxiv.org