标签
Dream4ACT 提出了一种共享视觉动作接口（"动作视图"），通过基于 URDF 的正运动学进行渲染，以实现跨多种机器人具身的联合视频-动作建模。该方法将观测与动作统一到一个采用掩码流匹配（masked flow matching）的扩散世界模型中，在 RoboTwin 2.0 上取得 88.98% 的成功率，在 TriWorldBench 上总分达 65.66，并借助一种无需训练的 URDF 约束恢复机制生成可执行动作。
本文提出意图蒸馏 (INDI)，将行为意图蒸馏到视觉-语言-动作模型的动作解码器中，从而在SimplerEnv-Bridge等基准测试和现实世界任务中提高了性能。
本文介绍了互补动作建模（CAM）任务，该任务通过修改动作短语并保持上下文不变，来识别或生成汽车维修指令的程序性对应物。作者使用一个德国汽车数据集，通过候选匹配和受控序列到序列生成来研究这些互补指令的建模。
RepWAM 提出了一种使用表征视觉-动作分词器的世界动作建模方法，旨在学习用于规划与控制的统一视觉和动作表征。