arXiv · 工业智能研究摘要· Menghao Yin·· 18 小时前
TS-WAM：面向视觉-语言机器人控制的时序潜在动作与世界-动作耦合
TS-WAM: Temporal Latent Actions and World-Action Coupling for Vision-Language Robot Control
AI 导读
预印本摘要称，研究者提出轻量级师生世界-动作模型 TS-WAM，通过自监督时序学习与显式未来预测改进视觉-语言机器人控制。该模型结合 vlm-jepa 与 delta-lwm，能利用机器人示范和无动作人类视频端到端联合预测潜在动作与未来视觉特征，推理时移除 EMA 分支以保持轻量。
来源：arXiv · 工业智能研究摘要 · arxiv.org