مقاله‌ی arXiv:2610.10528 · در صف خبرنامه
Long-WAM: Scaling the Context of World-Action Models
لانگ‌وام: بزرگ کردن کانتکست مدل‌های جهان و اقدام برای کنترل بلادرنگ ربات
- تاریخ
- (۱۵ مهر ۱۴۰۵) 2026-10-07 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Wei Huang, Bohan Zhang, Chenzhi Liu, Isabella Liu, Shuai Yang, Weian Mao, Luozhou Wang, Yicheng Xiao, Weifeng Lin, Qixin Hu, Bryan Chu, Sifei Liu, Linxi Fan, Xiaojuan Qi, Song Han, Yukang Chen
- نهاد نویسنده‌ها
- NVIDIA; MIT; HKU; UCSD
- برچسب لابراتوار
خلاصه‌ی فارسی
مسئله
کنترل بلادرنگ ربات به تاریخچه‌ی بصری کافی برای استنتاج حرکت و پیشرفت تسک نیاز دارد، اما پردازش این تاریخچه می‌تواند اقدام را به تأخیر بیندازد. مثلاً ربات برای گرفتن لیوانی که حرکت می‌کند باید چند ثانیه‌ی گذشته را ببیند، ولی نباید برای فکر کردن دیر واکنش نشان دهد.
روش
چارچوب Long-WAM کانتکست مدل‌های علّی جهان و اقدام را زیر قیدهای کنترل بلادرنگ بزرگ می‌کند. ابتدا پیش‌بینی علّی از ویدیوهای ربات و ویدیوهای اول‌شخص بدون برچسب اقدام یاد گرفته می‌شود، سپس این ساختار تاریخچه به آینده در تطبیق با جهان و اقدام حفظ می‌شود. رمزگذاری جریانی مشاهده، اجرای ناهمگام و شتاب‌دهی ویژه‌ی سخت‌افزار استقرار را ممکن می‌کنند.
یافته‌ها
- یافته‌ی اصلی این است که دسترسی به تاریخچه با استفاده از آن یکی نیست: تاریخچه‌ی طولانی‌تر وقتی مدل ویدیویی پایه به‌صورت خودبازگشتی پیش‌آموزش دیده باشد خیلی بیشتر سود می‌دهد؛ روی RoboCasa GR-1 افزایش کانتکست از صفر به ۱۹٫۲ ثانیه موفقیت را از ۶۳٫۳ به ۷۸٫۷ درصد رساند، در حالی که پیش‌آموزش دوطرفه سود خالصی نداشت.
- بین روش‌های مقایسه‌شده روی LIBERO-Long، RoboTwin ۲٫۰ و DOMINO بهترین نتیجه را گرفت و روی RTX ۵۰۹۰ هر تکه‌ی اقدام همراه پیش‌بینی ویدیوی آینده ۱۰۷٫۴ میلی‌ثانیه طول کشید.
- در استقرار بلادرنگ روی Unitree G1 و YAM، در چیدن پویای لیوان ۹۵ درصد موفق بود، در حالی که Pi0.5 و Fast-WAM در هیچ‌کدام از ۲۰ آزمایش موفق نشدند.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ آزمایش پویای واقعی با ۲۰ آزمایش برای هر روش انجام شده است.
چرا مهم است
ربات‌ها برای کارهای پویا و طولانی به حافظه‌ی بصری نیاز دارند. این کار نشان می‌دهد نوع پیش‌آموزش تعیین می‌کند حافظه‌ی طولانی‌تر واقعاً مفید باشد یا نه، و آن را روی سخت‌افزار واقعی سریع اجرا می‌کند.