新闻详情

新闻详情

首页 / 资讯中心 / 详情

用于机器人学习与控制的世界-动作模型:综述

发布时间:2026/11/22 0:30:56来源:尧图网络
用于机器人学习与控制的世界-动作模型:综述
26年9月来自阿联酋 MBZUAI 、加州理工、亚马逊公司FAR、维吉尼亚大学、乔治亚理工、纽约大学和加州伯克利分校的论文“World-Action Models for Robot Learning and Control: A Survey”。这篇论文的核心观点是:机器人不仅需要知道“下一步做什么”,还需要预测“这样做会带来什么后果”,并将这种预测转化为可执行、可纠错的动作。 世界-动作模型(World-Action Models,WAMs)正是围绕这一连接展开。论文的主要价值是建立了一套较完整的技术分类框架;主要不足是概念边界仍有摇摆、缺少统一的实证比较,而且存在可直接核对的引用错误。下面先概述论文,再提炼要点,最后分别讨论领域挑战与综述自身的问题。一、论文试图回答什么问题?论文从机器人在开放环境中的困难出发:观测不完整、物理交互复杂、任务持续时间长,而且局部正确的动作可能破坏后续目标。例如,机器人要把杯子放进柜子,直接生成“抓取杯子”的动作还不够。它需要考虑抓取姿态是否妨碍放入、柜门是否挡住路径,以及杯子被遮挡后如何继续判断状态。作者认为,现有研究分别解决了这个问题的一部分:因此,论文真正关注的是:未来预测如何参与动作学习和决策,并最终改善机器人实际执行?这比“机器人能否生成未来视频”更接近整篇综述的研究对象。(第1—3页)如图 1 是世界动作模型的演化:二、论文的详细内容与技术框架概念基础:从单独预测或控制,走向联合建模论文以部分可观测马尔可夫决策过程作为背景,并区分三种基本映射:世界模型:当前状态与动作 → 下一状态。VLA:历史观测与语言指令 → 动作序列。WAM:历史观测与语言指令 → 未来观测与动作序列。为便于理解,可以将其统一写为:p(O_future, A_future |h, e)其中,h是交互历史,e是语言指令。这里的“未来”不必是完整视频,也可以是潜在特征、三维结构、目标状态或其他与控制有关的表示。论文进一步提炼出四项能力:这是全文最有用的概念框架之一:不同方法的差异,可以理解为重点学习了其中哪些能力,以及这些能力如何连接。(第3—4页)如图 2 所示世界模型(WAM)背后四个基础思路的概念概述:(a)世界模型通过预测当前状态和动作来学习潜动态;(b)视频生成模型根据视觉历史和语言指令预测未来的视觉观察结果;(c)潜动作预训练从连续帧中推断潜动作,并用它们来建模潜转换;(d)视频生成模型(VLA)直接从状态和语言指令生成未来动作序列。(第三行插图改编自各思路中引用的相应论文。)两种核心路线:联合预测与先规划后行动第一种是联合预测:在共享的建模过程中生成未来观测
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉