arXiv cs.AI· Jialei Chen, Kai Wang, Kang Chen, Shuaihang Chen, Feng Gao, Wenhao Tang, Zhiyuan Li, Weilin Liu, Zhuyu Yao, Boxun Li, Yuanbo Xu, Chao Yu·· 14 小时前AI 评分38
LaWAM：用潜在世界动作模型实现高效动态感知机器人策略
LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies
AI 导读
LaWAM 提出一种潜在世界动作模型，通过紧凑的潜在视觉子目标而非重建未来视频，让机器人策略获得对动作后果的预测能力。该模型在 LIBERO 上达到 98.6% 成功率、RoboTwin 上 91.22% 成功率，单次动作块预测耗时 187 ms，相比像素空间 WAM 的挂钟延迟最多降低 24 倍。论文已被 CoRL 2026 接收。
正文 · AI 翻译
作者：Jialei Chen、Kai Wang、Kang Chen、Shuaihang Chen、Feng Gao、Wenhao Tang、Zhiyuan Li、Weilin Liu、Zhuyu Yao、Boxun Li、Yuanbo Xu、Chao Yu
摘要：视觉-语言-动作模型（VLA）利用大规模视觉-语言预训练实现语义机器人控制，但往往缺乏对机器人动作如何改变场景的显式预见。世界-动作模型（WAM）通过让策略以预测的未来为条件来弥补这一局限，然而现有方法通常依赖计算成本高昂且存在大量像素级冗余的视频生成。我们提出 LaWAM，一种潜在世界动作模型，它通过紧凑的潜在视觉子目标而非重建的未来视频，将预测动态暴露给机器人策略。LaWAM 的核心是一个以潜在动作为条件的潜在世界模型（LaWM）。我们通过在预训练视觉基础模型的潜在空间中训练潜在动作模型，并复用其前向解码器来预测未来观测特征以刻画场景演化，从而获得 LaWM。随后，LaWAM 以这些预测的潜在视觉子目标为条件生成动作，从而实现动态感知的机器人控制。LaWAM 在 LIBERO（98.6% 成功率）、RoboTwin（91.22% 成功率）和真实世界操作任务上取得了最先进或具有竞争力的成功率（SR），同时保持低延迟推理。LaWAM 每次动作块预测运行耗时 187 ms，实际耗时延迟比像素空间 WAM 低至多 24 倍。
| 注释： | 已被 CoRL 2026 接收。项目网站：此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.15768 [cs.RO] |
| （或 arXiv:2606.15768v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.15768 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jialei Chen [查看邮箱]
[v1]
2026 年 6 月 14 日星期日 12:06:58 UTC（8,833 KB）
[v2]
2026 年 10 月 25 日星期日 02:54:12 UTC（21,242 KB）
来源：arXiv cs.AI · arxiv.org