机器人前瞻（公众号：robot_pro）
作者 | 刘俐杉
编辑 | 许丽思
机器人前瞻10月10日报道，10月8日，MIT韩松团队联合英伟达、香港大学和加州大学圣地亚哥分校发布了世界动作模型Long-WAM。
这套模型与系统协同框架，试图让机器人在满足实时控制要求的同时，扩展因果世界动作模型的上下文长度，利用其来辅助动作决策。
简单来说，Long-WAM能让机器人记住刚才发生了什么、预测接下来会发生什么，再决定怎么动，让机器人执行连续、复杂的操作任务时，学会利用过去的视觉信息，及时做出正确的动作。
例如，机器人在叠杯子时，它不仅需要看清当前杯子的位置，还需要结合之前的动作，判断杯子是否已经放稳、下一步应该抓哪个杯子，以及怎样继续操作。
这些任务都需要机器人利用过去的视觉信息。但让模型处理更长的历史上下文信息，也会增加计算开销，拖慢动作响应。
▲机器人叠杯子
而Long-WAM关注的正是这个问题，延长视觉上下文长度，能否帮助机器人做出更好的动作决策？模型又该如何利用这些信息，同时保持实时响应？
在上下文长度延长了19秒的对比实验中，结果显示，模型任务成功率从63.3% 提升至78.7%。
仿真测试上，在LIBERO-Long、RoboTwin 2.0和DOMINO的测试中，Long-WAM的表现均优于其他对比方法。
目前，Long-WAM已在Unitree G1和YAM机器人上实现实时部署，能够执行动态操作任务和长时程操作任务。例如，在动态堆叠杯子的任务中，其成功率达到95%；而π0.5和Fast-WAM在各自的20 次试验中均未取得成功。
一、先学预测未来，再学生成动作
机器人要及时做出动作，就得知道周围环境正在发生什么变化。单张图像可以显示物体的位置，却未必能说明物体如何运动，以及交互任务进行到哪一步。
世界动作模型（World-Action Models，WAM）将视频预测引入闭环控制 ，使视觉历史信息成为生成动作的重要依据。然而，处理更多历史信息也可能拖慢响应速度，反而影响控制效果。
那么，随着视觉上下文长度的增加，WAM的控制性能会发生怎样的变化？又该如何保证在实时响应的同时，发挥这些上下文的价值？
此前的WAM通过因果缓存、持久化记忆或筛选后的记忆来保留历史信息。但能够访问历史信息，并不等于模型已经学会根据历史信息进行预测。
而研究团队此次提出的Long-WAM，是一套模型与系统协同框架，该模型旨在满足实时控制要求的同时，扩展上下文长度。
▲Long-WAM
团队发现，延长上下文能够带来多大收益，主要取决于视频基础模型采用了怎样的预训练方式。
因此，Long-WAM 采用分阶段的技术路线。首先，团队训练视频基础模型LongLive2.0-Robot。该模型在LongLive-2.0的自回归（Autoregressive，AR）视频模型基础上继续训练，使用了约1万小时的窗口等效视频数据，涵盖RoVid-X、AgiBot World、EgoDex、EgoVerse和VITRA等数据集。
这些数据包含不带动作标签的机器人视频和第一人称视角视频，模型通过预测后续视频内容，学习机器人如何运动，以及物体在交互过程中会发生怎样的变化。
随后，团队再训练模型生成机器人动作，同时保留此前学到的预测能力。也就是说，模型先学习场景和物体如何变化，再学习如何根据这些信息控制机器人。
完成视频预训练后，研究团队再将模型适配为世界动作模型，并保留原有的因果预测结构。
那么，延长历史信息又能带来多大的收益，在下文的基准测试中也得到了答案，团队延长了上下文长度将其进行对比实验。
二、在四个基准测试中，Long-WAM任务成功率均领先
在评测方面，团队在LIBERO、RoboTwin 2.0、DOMINO和RoboCasa GR-1四个基准测试，以及在宇树 G1人形机器人、YAM双臂操作机器人上开展的8种真实任务配置中评估模型性能。
▲四个基准测试和8种真实任务
结果显示，在RoboCasa的GR-1任务中，团队将上下文长度从0秒延长至19.2秒后，模型任务成功率从63.3%提升至78.7%。
▲RoboCasa GR-1评测
而相比之下，采用双向预训练模型初始化的方案并未取得整体收益。进一步使用机器人领域数据进行自回归预训练后，模型在GR-1和LIBERO-Long上的最高任务成功率也得到提升。
在LIBERO-Long、RoboTwin 2.0和DOMINO的测试中，Long-WAM的表现均优于其他对比方法。
其中，在LIBERO-Long测试中，该模型任务成功率达到99.5%，其成功率分别比LingBot-VA和Fast-WAM高出1.0和4.3个百分点。
▲LIBERO评测
在RoboTwin 2.0上，该模型平均成功率高达94.4%，Clean测试中，成功率达到94.7%，同样排名第一。在Randomized测试中，其成功率为94.2%。Long-WAM的平均成功率分别比ABot-M0.5和LingBot-VA 2.0高出0.3和0.8个百分点。
▲RoboTwin 2.0评测
DOMINO，在使用动态场景数据进行微调后，Long-WAM取得了34.9%的成功率和45.1的MS指标得分。在这两项指标上，它均超过了表现最好的对比方法，成功率比Fast-WAM高出15.0个百分点，MS得分比PUMA高出10.1分。
▲DOMINO评测结果
此外，团队还测试了Long-WAM与高层规划器协同执行复合任务的能力。在RoboCasa的任务中，单独使用GPT-6 Astra作为规划器时，整体任务成功率为25.2%；将其与π0.5结合后，成功率为30.5%；而与Long-WAM结合后，整体成功率达到54.4%。
在未见过的任务组合中，Long-WAM分层系统的成功率达到35.0%，高于单独使用GPT-6 Astra时的20.8%，也高于π0.5分层系统的19.0%。
▲RoboCasa的成功率
从整体任务成功率来看，引入高层规划后，Long-WAM的成功率提高了23.0个百分点，而π0.5提高了13.6个百分点。这表明，执行能力越强，上层规划所带来的收益就可能越大。
三、让机器人完成抓取、堆叠动作，8种真实任务验证执行能力
除了在评测上验证模型性能外，团队还将模型搭载至宇树 G1人形机器人和YAM双臂操作机器人上，开展8种真实任务。
这些任务包括：在四种不同传送带速度下抓取杯子、动态堆叠杯子、堆叠碗、按颜色对积木进行分类，以及将饺子放入平底锅中。
在宇树G1人形机器人上，Long-WAM能够抓取传送带上的杯子。传送带速度为7.5厘米/秒时，抓取成功率达到90%；在动态堆叠杯子任务中，成功率达到95%。相比之下，π0.5和Fast-WAM在这两项测试中均未能成功完成任何一次试验。
▲Long-WAM和Fast-WAM的任务情况
在YAM机器人平台上，Long-WAM也能完成持续时间较长的任务。这些任务的平均执行时长超过40秒，平均成功率达到81.7%。这将评测范围从快速拦截任务扩展到了需要持续执行的操作任务。
这些结果表明，Long-WAM不仅能处理需要快速响应的动态抓取任务，也能在特定场景中连续执行较长时间的操作。
此外，通过采用流式观测编码、异步执行和针对特定硬件的加速技术，Long-WAM无需舍弃未来预测功能，即可部署在RTX 5090、DGX Spark和Jetson AGX Thor等平台上。
在RTX 5090上，每个动作块的处理耗时为107.4毫秒，同时基本保持了任务成功率。
尽管Long-WAM还需要预测未来视频帧，其推理速度仍达到Fast-WAM的2.3倍。Fast-WAM的端到端推理延迟为244.1毫秒。
▲RTX 5090上的端到端推理延迟
四、结语：上下文信息，成为世界动作模型提升能力的关键
Long-WAM能做的，是让机器人在实时控制中记住过去发生了什么、预测接下来会发生什么，再决定怎么动。在叠杯子、抓传送带、长时程操作等任务中，它验证了这套思路的可行性：上下文越长，模型可参考的历史信息越多，连续任务中的动作决策也更稳定。
对于产业而言，这意味着上下文逐渐成为生成式机器人控制的重要资源，它的价值不仅取决于模型能否通过预训练学会预测未来，也取决于系统能否在实时约束下及时执行动作。
但从实验室测试走向更广泛的真实应用，模型仍需在更多机器人本体、任务类型和复杂环境中接受检验。如何在动作精度与长期任务成功率之间取得平衡，仍是世界动作模型需要持续解决的问题。
