AffordanceWAM：面向机器人操作的可供性感知世界-动作联合建模
AffordanceWAM是一种生成式世界-动作模型，可联合预测未来场景、与任务相关的交互区域以及连续机器人动作。该模型基于预训练视频扩散Transformer，能够利用多样的人类第一视角视频，无需人类动作标签，也无需将动作重定向到机器人身体。在RoboCasa、CALVIN ABC→D及真实世界操作实验中，它持续优于仅使用RGB图像或仅使用机器人数据的基线。在机器人监督数据量固定时，随着加入更多带有可供性标注的人类视频，RoboCasa上的表现也随之提升。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。