AffordanceWAM：面向机器人操作的可供性感知世界-动作联合建模

资讯摘要

论文提出 AffordanceWAM，一种可供性感知的生成式世界-动作模型，用 Scalar Affordance 与 Affordance Heatmap 表示物体中心的时空可供性，并基于预训练视频扩散 Transformer，通过 Masked Joint Self-Attention 耦合分别参数化的 World 与 Action Experts，在统一流匹配目标下联合预测未来 RGB 观测、可供性场、热图与连续机器人动作。作者报告在 RoboCasa、CALVIN ABC→D 及真实操作实验中优于仅 RGB 与仅机器人数据基线。

要点速读

• 以 Scalar Affordance 和 Affordance Heatmap 表示生成未来世界中的物体中心时空可供性，为动作生成提供交互目标。
• 人类视频监督三条未来世界流，机器人轨迹额外提供动作监督，无需人类动作标签或重定向即可迁移。
• 作者报告在 RoboCasa、CALVIN ABC→D 和真实操作中相对基线有一致提升；固定机器人监督下，RoboCasa 性能随可供性标注人类视频规模单调提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/21 02:34:38（北京时间）。