latent-planning

WAVE-0 提出一个轻量级潜在世界模型，将 VLA 策略与世界动作模型（WAM）结合，使预测的动作后果直接引导动作生成，在 RoboTwin2.0 和 LIBERO 系列基准上取得 91.47%/98.7% 的成功率，并将 π0.5 的真实任务成功率从 38.3% 提升至 73.3%。

本文研究了动作条件JEPA世界模型能否使用点云观测而非图像进行潜在规划，发现它们成功了，并讨论了对机器人几何感知的影响。

Bernini 提出了一种统一的视频生成与编辑框架，将多模态大语言模型用于语义规划、扩散模型用于像素渲染，通过语义接口分离和增强位置编码实现最先进性能。