向量量化世界模型：面向机器人操作的隐反馈运动规划
arXiv 2610.25600v2 提出向量量化世界模型（VQ-WM），将离散隐状态搜索与连续视觉反馈控制结合用于机器人长程操作规划：离散隐预测器建模向量量化隐状态转移以寻找最短路径，学习控制器通过视觉反馈依次到达规划状态并纠正偏差。方法以首达时间估计器替代欧氏距离作为准度量，使规划抽象与控制器能力对齐。在实体机器人汉诺塔任务上，仅用短时演示数据即达到100%成功率，而VLA、WAM等基础模型仅在训练数据含解轨迹时成功；在涵盖操作与运动的仿真基准上比最强世界模型高13.3至85.3个百分点。
发布于 10-22 13:02来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Vector-Quantized World Model: Latent Feedback Motion Planning for Robot Manipulation》查看原链
arXiv:2610.25600v2 公告类型：替换 摘要：视觉世界模型在机器人规划中展现出强大潜力，但长程操作仍因预测误差累积、搜索复杂度大以及低层控制器无法可靠到达隐式规划而面临挑战。 本工作提出向量量化世界模型（VQ-WM），一种将离散长程搜索与连续视觉反馈控制相结合的隐反馈运动规划框架：离散隐预测器建模向量量化隐状态之间的转移，使规划器能够前瞻较远距离，并通过离散搜索找到通往目标的最短路径；连续学习控制器则通过视觉反馈依次到达规划状态，纠正偏差以缓解累积误差。
与大多数使用欧氏距离的向量量化不同，我们采用一种新的首达时间估计器作为准度量，使规划抽象与控制器的能力对齐。 我们在汉诺塔谜题的实体机器人操作上进行评估：现有最先进的基础模型（VLA、WAM）仅在其训练数据包含解轨迹时才能成功，而我们的方法仅用短时演示数据即达到100%成功率，证明其能够组合超出短演示轨迹的长程解并可靠执行。
我们的方案在涵盖操作与运动的仿真基准上还比最强的世界模型高出13.3至85.3个百分点，展现出持续进步与新能力。