MotionWAM:面向人形实时全身移动操作的世界-动作模型
arXiv: 2606.09215 | 时间: 2026.06 | 路线: WAM · 人形全身移动操作 / 联合扩散 ← WAM 总览 · WOLF-VLA
TL;DR
MotionWAM 是 WAM 往人形机器人全身控制推进的一篇代表。它面向实时 loco-manipulation,将策略条件化在视频世界模型的中间去噪特征上,并用统一 motion token 覆盖下肢移动、躯干、身高、足部交互与手部操作。
如果说桌面 WAM 主要处理“手怎样改变物体”,MotionWAM 处理的是“整个身体怎样在世界里移动并完成操作”。
方法位置
它的关键在于把世界模型特征用作动作生成条件,而不是只做离线数据增强或未来视频展示。
谱系位置
- 与 WOLF-VLA:两者都走人形全身路线;WOLF-VLA 更偏 VLA,MotionWAM 更偏 WAM。
- 与 GR00T N2:都在 NVIDIA/人形 WAM 叙事附近,强调世界模型与动作架构融合。
- 与 GigaWorld-Policy:都属于动作中心的世界模型策略路线,但 MotionWAM 明确面向实时全身运动。
结果与局限
新闻采收时论文自评称,在 9 个 Unitree G1 真机任务上整体成功率相对同等示范微调的 VLA 基线高出 30% 以上。此处全部按作者自评处理。
需要重点关注:
- 是否开源训练和控制接口。
- 全身动作是否依赖强低层控制器。
- 第一人称视觉在遮挡、快速转身和接触场景下是否稳定。
来源
- arXiv:2606.09215.