通过模型到策略的构式统一具身基础模型
Unifying Embodied Foundation Models via a Model-to-Policy Formulation
精选理由
统一VLA与世界—动作模型，厘清预训练到机器人策略部署的理论路径。
AI 摘要
arXiv:2610.23053v1 公告类型：cross 摘要：视觉-语言-动作（VLA）模型和世界-动作模型（WAM）已成为机器人学习与控制的有前景方法。这些模型融合了多模态感知与动作生成，但在架构、输出表示和学习目标方面存在差异。本文基于随机核，提出了一种统一且与架构无关的具身基础模型概率构式。我们的构式包含两个关键部分：（i）通过条件输出分布和动作实现核刻画具身基础模型，二者共同诱导出任务条件化的机器人策略；（ii）将预训练和后训练与策略部署联系起来，同时兼容特定于模型的预训练目标以及离线或在线后训练策略。我们针对 OpenVLA 和 DreamZero 对该构式进行了实例化，涵盖自回归动作标记预测以及视频-动作联合生成。