Sber发布GreenWAM:机器人世界模型,真实人形成功率95.6%

流云 2026-10-19 1282 0条评论
摘要: 来自Sber机器人中心Brain团队的研究提出机器人世界基础模型GreenWAM。在WorldArena 1.0基准测试中,其在轨迹预测、深度估计和三维预测准确性方面达到领先水平,...

来自Sber机器人中心Brain团队的研究提出机器人世界基础模型GreenWAM。在WorldArena 1.0基准测试中,其在轨迹预测、深度估计和三维预测准确性方面达到领先水平,表现优于研究团队所比较的所有世界—动作模型和视频生成模型。相关论文已发布预印本于arXiv。

统一动作空间:把20类机器人放进同一套槽位

不同机器人数据集在帧率、摄像头布局、状态语义和任务边界上存在差异,双臂机器人、单臂机械臂和类人机器人即使执行相似任务,原生动作表示也可能完全不同。GreenWAM构建了覆盖20类机器人本体的训练数据,整合公开数据与内部采集的LeRobot格式数据,采用分阶段数据准备流程。最终纳入语料的原子样本经质量筛选后保留143万个、总时长1674.7小时,并为119万个原子样本生成指令。统一动作空间由79个共享解剖学动作槽位构成,分为腿部12个、身体23个、手臂18个、手部26个。视觉侧将头部与左右腕部摄像头画面组合到统一画布,头部占主区域,腕部并列排列,训练采用多种画布尺寸与宽高比。

七种工作模式:同一个模型既预测视频也生成动作

GreenWAM以Cosmos 3 Edge 4B检查点初始化,采用混合Transformer架构,结合因果视频VAE与整流流训练方法。核心设计是把世界建模与动作生成纳入同一框架:同一组生成器权重在七种工作模式下训练,每种模式通过指定哪些信息流作为干净条件输入、哪些作为加噪预测目标来定义。固定配比中,四分之三样本用于预测视频,其余四分之一用于通过逆向动力学和WAM模式生成机器人状态。多视角观测与时间上下文也被引入训练,使模型能利用不同摄像头信息理解机器人与环境的关系。

世界模型与策略模型的双重表现

作为世界模型,GreenWAM在WorldArena 1.0赛道1中轨迹准确性56.0、深度准确性98.2、三维准确性93.4,均为参与比较模型中的最高分;JEPA相似度98.41,在排行榜全部127个参赛结果中排名第二;综合评分63.31,高于Motubrain的63.16和FlowWAM-FiveAges的62.99。作为策略模型,它在RoboTwin 2.0的50项任务中常规场景成功率86.98%、随机化场景48.10%,平均67.54%;CALVIN平均每条任务链完成4.64条指令;RoboDojo综合16.12分、成功率10.49%;LIBERO-plus取得最高零样本成功率。研究进一步将模型适配到真实人形机器人,在装袋任务中分布内成功率95.6%、分布外84.0%,优于Cosmos 3 Edge策略的88.9%/80.0%和π0.5的84.4%/76.0%;蒸馏后的学生模型分别为91.1%和80.0%,说明单步推理在降低计算开销的同时仍保留较强控制能力。

编辑判断

这项研究的意义不只在基准分数,而在于展示了世界模型与策略模型之间的协同关系:准确预测动作后果与可靠执行任务密切相关,尤其在训练阶段未见过的场景中。研究还发现,针对特定机器人专门化训练能同时提升世界预测与动作控制;适配阶段一开始就分离动作专家,有助于提升表现;策略适配过程中保留世界模型的不同工作模式,有助于维持应对场景变化的鲁棒性。在AI工具导航的具身智能分类中,这类“统一动作接口+联合训练”的路线,正在为跨本体机器人基础模型提供可复用的工程范式。对于关注AI办公软件推荐的团队,这项研究也提示了一个更广泛的趋势:当模型开始同时学习“会发生什么”和“该做什么”,自动化系统的边界正从数字流程向物理操作延伸。不过,面对任务几何变化、长时序误差累积以及训练中未见过的机器人本体,模型仍有改进空间。


文章版权及转载声明:

作者:流云本文地址:https://www.sanwenge.com/post/1508.html发布于 2026-10-19
文章转载或复制请以超链接形式并注明出处三文阁