4D-WAM：将 3D 轨迹场时空感知注入机器人动作模型
zhenjun_zhao · x · 2026-08-13
世界-动作模型（WAM）通常在 2D 像素空间中表示视频，这与执行机器人动作的 3D 空间存在表示鸿沟。现有的 3D 方法未能充分利用 3D 结构的动态特性。本文提出了 4D-WAM，一种模型无关的训练策略。
- 核心方法：通过表示对齐，将来自 3D 轨迹场的时空知识注入 WAM 中。
- 双重对齐目标：1) 运动对齐：对齐相邻帧间的时序特征变化，鼓励模型在训练期间建立局部 4D 感知；2) 目的地对齐：通过最小化源帧与最终目的地之间的注意力相似度分布差距，引导模型推断最终目标。
- 实验结果：这些目标提供了局部运动监督和长期目标指导，使 WAM 能够学习轨迹级别的时空表示，在分布内和分布外实验中均表现出色。
「具身」频道最新
- VLAIRobotics 发布双臂人形机器人 K1，起售价 1.98 万元 — AI寒武纪 · 2026-08-13
- Dyna-2模型基于百万小时人类视频预训练，实现机器人跨实体能力迁移 — iamfakhrealam · 2026-08-13
- 丹麦研发无关节仿蚯蚓软体机器人，抗挤压适用于搜救场景 — lukas_m_ziegler · 2026-08-13
- SHAPER：免训练实现具身智能体技能进化 — Peidong Wang · 2026-08-13
- 专家谈机器人形态：人形机器人或成万亿美元市场，但非唯一答案 — MarwaEldiwiny · 2026-08-13
- Minimax H3 在 RTX 5060 Ti 上跑视频生成：25秒出片 — Beginning_Tip300 · 2026-08-13