ω-0——用于人形行走-操作的隐空间预测世界动作模型(全身VLA没有的未来视镜）：抛弃像素级视频生成，以轻量“未来视觉latent预测”驱动全身动作扩散生成，实现边走边干活
原文中文，约6400字，阅读约需16分钟。
📝
内容提要
本文提出了一种名为ω-0的新型潜在预测世界动作模型，用于实现人形机器人行走与操作（loco-manipulation）的协同控制。该模型通过联合学习未来视觉潜在表示和全身动作生成，避免了传统方法对视频预测和模块化任务分解的依赖。ω-0采用轻量级未来预测作为辅助监督，直接生成控制器兼容的全身动作潜变量，并通过大规模人类数据迁移学习提升机器人动作能力。实验在40小时真实世界数据集ω-HOME上进...
