该论文提出w-0模型，联合预测未来视觉与全身动作，解决人形机器人并发运动操作难题。在11个家庭任务上优于9种基线，发布40小时w-HOME数据集。模型分三阶段训练，结合VLM与V-JEPA，支持多视角输入。局限是硬件耦合、延迟高、缺安全机制，未来需验证跨平台泛化。
本研究提出了多种基于世界模型的视觉预测和规划方法，结合深度强化学习、无监督学习和合成数据训练等技术，显著提升了机器人在复杂环境中的操作效率和适应能力。
完成下面两步后，将自动完成登录并继续当前操作。
