GreenWAM：面向机器人的世界基础模型与统一动作空间

机器人需要一个能够预测其动作如何改变场景的世界模型，以及一个用于选择这些动作的策略。世界模型通常只为其中一种角色构建和评估，且每台机器人都以自身格式记录其动作。我们探讨是否有一个机器人的世界模型能够在不同身体形态下同时胜任这两种角色，以及实现这一目标的关键因素。我们提出了 GreenWAM，这是一个面向机器人的世界基础模型，并附带了其生成配方：(1) 一个共享的解剖学动作空间，使用通用的关节坐标描述从双臂机械臂到灵巧人形机器人在内的 20 个机器人家族；(2) 在这些家族上进行的联合训练，涵盖视觉、动作条件化和世界-动作模式；以及 (3) 将动作专家从生成器中分离出来的策略。作为世界模型，GreenWAM 在 WorldArena 1.0 上的轨迹、深度和 3D 精度方面均达到顶级水平，优于我们对比中的每一个世界-动作模型和视频生成器。作为策略，它在 RoboTwin 2.0 排行榜上名列前茅，在对比方法中实现了最高的零样本 LIBERO-plus 成功率，并且在 CALVIN 和 LIBERO 上与专用的视觉-语言-动作策略和世界-动作策略具有竞争力。我们进一步将 GreenWAM 适配到一个真实的人形机器人上，其成功频率高于从 π_{0.5} 和 Cosmos 3 Edge 适配而来的策略，并将其蒸馏为单步策略以实现实时控制。受控实验得出三项发现：机器人专业化能同时提升世界预测和控制能力；在适应初期分离出动作专家时能提供帮助；以及在策略适应过程中保留世界模型模式有助于保持对场景变化的鲁棒性。