Utility-WAM校正世界动作模型的未来诱导动作偏移

论文作者提出 Utility-WAM，用于就地校正世界动作模型（WAM）中由预测未来引发的动作偏移。作者称，在共享 WAM 检查点下，仅做这一校正对基准平均成功率影响很小：LIBERO 提升 0.8 个百分点，RoboTwin 2.0 下降 0.8 个百分点，而生成视觉未来会使推理延迟增至 1.7–1.9 倍。 作者还提出一个轻量预生成门控，复用反事实动作结果，在 75.5% 的 RoboTwin 查询中跳过视频生成，使延迟降低 38%，并将平均成功率提升至 RoboTwin 2.0 的 93.3% 和 LIBERO 的 98.9%。 在三个真实世界任务的物理双臂操作中，作者称 Utility-WAM 在 60 次试验中成功 53 次，FAST-WAM 为 43 次。上述结果均出自论文作者，属预印本，未经同行评议或独立验证。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。