Logo
1 month ago Qwen-RobotWorld: 通过语言条件视频生成统一具身世界建模 (中译) July 6, 2026, 4:51 p.m. UTC
选择自然语言作为统一动作接口。 低级动作表示（关节角、末端执行器路点、力 - 矩命令）是硬件特 定的，每个具身需要独立控制接口。相比之下，自然语言提供通用、具身无关的动作接口。单条指令 ” 抓 取红杯并竖直举起 ” 隐含编码完整动作序列、目标状态和物理约束，无需了解运动学链。只以语言动作 at t 为条件训练模型预测下一视觉状态 态 s t + 1 ，我们便得到可跨具身泛化的仿真骨架——无论是 Franka 夹爪、 Aloha 双臂系统还是人形机器人——无需重新训练或改造机器人特定接口。但这种泛化对标注质量要求极 高：每条标注必须成为
1 month ago Qwen-RobotWorld: 通过语言条件视频生成统一具身世界建模 (中译) July 6, 2026, 4:51 p.m. UTC
选择自然语言作为统一动作接口。 低级动作表示（关节角、末端执行器路点、力 - 矩命令）是硬件特 定的，每个具身需要独立控制接口。相比之下，自然语言提供通用、具身无关的动作接口。单条指令 ” 抓 取红杯并竖直举起 ” 隐含编码完整动作序列、目标状态和物理约束，无需了解运动学链。只以语言动作 at t 为条件训练模型预测下一视觉状态 态 s t + 1 ，我们便得到可跨具身泛化的仿真骨架——无论是 Franka 夹爪、 Aloha 双臂系统还是人形机器人——无需重新训练或改造机器人特定接口。但这种泛化对标注质量要求极 高：每条标注必须成为
1 month ago Qwen-RobotWorld: 通过语言条件视频生成统一具身世界建模 (中译) July 6, 2026, 4:51 p.m. UTC
选择自然语言作为统一动作接口。 低级动作表示（关节角、末端执行器路点、力 - 矩命令）是硬件特 定的，每个具身需要独立控制接口。相比之下，自然语言提供通用、具身无关的动作接口。单条指令 ” 抓 取红杯并竖直举起 ” 隐含编码完整动作序列、目标状态和物理约束，无需了解运动学链。只以语言动作 at t 为条件训练模型预测下一视觉状态 态 s t + 1 ，我们便得到可跨具身泛化的仿真骨架——无论是 Franka 夹爪、 Aloha 双臂系统还是人形机器人——无需重新训练或改造机器人特定接口。但这种泛化对标注质量要求极 高：每条标注必须成为
1 month ago Qwen-RobotWorld: 通过语言条件视频生成统一具身世界建模 (中译) July 6, 2026, 4:51 p.m. UTC
作接口。 低级动作表示（关节角、末端执行器路点、力 - 矩命令）是硬件特 定的，每个具身需要独立控制接口。相比之下，自然语言提供通用、具身无关的动作接口。单条指令 ” 抓 取红杯并竖直举起 ” 隐含编码完整动作序列、目标状态和物理约束，无需了解运动学链。只以语言动作 at t 为条件训练模型预测下一视觉状态 态 s t + 1 ，我们便得到可跨具身泛化的仿真骨架——无论是 Franka 夹爪、 Aloha 双臂系统还是人形机器人——无需重新训练或改造机器人特定接口。但这种泛化对标注质量要求极 高：每条标注必须成为 完整、自洽的动作规范 ，精确到模型能仅从 at t 和 s t 预测 s t + 1 ，无需任何机器人元 数据或本体感觉信号。 分层五级标注。 为在 20+ 种机器人具身和 500+ 类动作上一致生成动作丰富的标注，我们设计分层标注 框架，包含五个递进层级。前三层构成结构化思维链，将每个视觉状态转移分解为可解释的部分： 1. 任务目标层 层——推断转移
Load More