arXiv cs.AI· Shaoyi Zheng, Zhongtao Jiang, Yue Peng, Wenbo Lu, Shunchi Zhang, Xi Wang, Shengji Wan·· 11 小时前AI 评分38
DirectWAM：将级联世界-动作模型蒸馏为单步机器人控制预测器
De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control
AI 导读
DirectWAM 通过动作充分蒸馏，把预训练视频与动作专家转为单步预测器，无需随机采样即可保留显式的未来到动作级联。它在四个 LIBERO 套件上平均成功率达 97.1%，RoboTwin 2.0 上达 85.4%，并在三个真实任务中验证有效。相比完整迭代教师模型，其推理延迟降低 28.0 倍。
正文 · AI 翻译
摘要：级联世界-动作模型（WAMs）利用预测的视觉未来来约束机器人动作，但继承了来自扩散预训练专家的昂贵迭代推理。我们探究单步预测的未来必须保留什么，才能支持准确的单步动作预测。在所评估的 WAM 中，重采样视频噪声对下游动作影响甚微，但将两个流都简单地截断为一步会大幅降低任务成功率。视频空间监督只能部分弥合这一差距，而局部敏感性分析表明，视觉预测误差对动作准确性的影响极不均衡。这些发现促成了 DirectWAM，它通过动作充分蒸馏将预训练的视频和动作专家转换为单步预测器，无需随机采样，同时保留显式的未来到动作级联。在学习了一步动作模型后，我们通过从其自身预测的未来中解码动作，并通过专家反向传播演示动作误差来训练未来预测器，并可选地加入未来潜变量重建损失。由此得到的目标通过下游控制后果来评估学生生成的未来，而不是仅依赖表示匹配。DirectWAM 在四个 LIBERO 套件上平均成功率达到 97.1%，在 RoboTwin 2.0 上达到 85.4%，在每流一次评估的相同预算下优于 Flash-WAM。这一优势也已扩展到我们设计的三个真实世界任务。与完整的迭代教师相比，它将推理延迟降低了 $28.0\times$。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28122 [cs.RO] |
| （或 arXiv:2610.28122v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28122 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shaoyi Zheng [查看电子邮件]
[v1]
2026年10月20日星期二 12:30:58 UTC（15,776 KB）
来源：arXiv cs.AI · arxiv.org