用视频模型做机器人控制
oier_mees · x · 2026-07-13
作者在 RSS 2026 上介绍了最新工作 Mimic-Video: Video-Action Models for Generalizable Robot Control Beyond VLAs。
核心问题是：如果机器人的策略不再建立在静态的视觉-语言骨干上，而是建立在预训练视频模型之上，会发生什么？
他们提出 Video-Action Models（VAMs），利用大规模视频中学到的丰富时序表征来提升机器人学习。论文声称，这样相比传统 Vision-Language-Action（VLA） 模型，能带来更好的样本效率和训练速度，同时还能随着基础视频模型继续进步而受益。
作者也提到他正在悉尼参加 RSS，先是 Pioneers Workshop，再在主会报告这项工作，并欢迎现场交流机器人学习、机器人基础模型等话题。
所属事件:RSS 2026展示视频-动作模型机器人控制新研究(2 条相关)→
「具身」频道最新
- WanGP v18.81 支持 Hy-Nomas 世界模型，8GB 显存可用 WASD 探索 — cocktailpeanut · 2026-10-27
- NVIDIA 开源 FLORA：机器人数据引擎，成本仅 GPT-6 Astra 的 1/125 — nvidia · 2026-10-27
- 具身智能创业的隐藏难题：机器人公司需要另一种运营纪律 — ___Mufasaa · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- GPT-6 Astra 零微调操控灵巧手：500 试仅 26 次成功，成功率 5.2% — stingning · 2026-10-27
- 灵巧操作基准 HandsOn 发布:66 个人工核验任务配 1.8 万条人类示范 — stingning · 2026-10-27