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
- 特斯拉新 Roadster 演示:垂直爬墙、倒挂行驶,靠推进器飞离 — tetsuoai · 2026-10-16
- FoveaVLA 用学习式注视动作替代腕部相机,成功率升至 70.8% — Haoyu_Xiong_ · 2026-10-16
- 马斯克暗示：Grok 将进 Optimus 机器人，数字 Optimus 也将入 Grok — beffjezos · 2026-10-16
- OpenDriveLab 等提出 SimVTA:用模拟器渲染未来视频给驾驶世界模型做 RL 后训练 — OpenDriveLab · 2026-10-16
- 9 家机器人数据供应商横评：Scale AI 营收超 10 亿美元，机器人业务能否复制其利润率 — FinanceYF5 · 2026-10-16
- Kroger 裁 3000 个公司岗位占 37%，博主预言人形机器人 2030 年代接棒 — csuwildcat · 2026-10-16