MotionWAM: 迈向基础世界动作模型，实现实时人形机器人全身操控与运动

arXiv 2026 55.1 method, application

TLDR

MotionWAM通过将策略条件于视频世界模型特征，实现实时人形机器人全身操控，在真实任务上超越基线。

评分理由

Strengths include real-time performance, real-world experiments on nine tasks, and significant improvement over VLA baselines. Weaknesses are not explicitly discussed in the abstract, but potential limitations in generalization or complexity are not addressed.

Read-first 评分解释

综合优先阅读分 55.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 39。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

96.2

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.96179995

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、结果

主题相关性 29%

55.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：463。

关键词评分

world model

video world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

world simulator

深度分析

创新点

将策略条件于视频世界模型的中间去噪特征，实现实时人形机器人全身操控
用统一运动潜变量替代上下半身分离，预测覆盖行走、躯干运动、高度调节、足部交互和手部操作的全身运动令牌，在单一动作空间中实现
一个三阶段学习框架，逐步将视频世界模型适应于第一人称视觉动态和目标人形机器人本体

方法

MotionWAM采用三阶段学习框架，将视频世界模型适应于第一人称视觉动态和目标人形机器人本体。策略条件于视频世界模型的中间去噪特征，并在统一动作空间中预测全身运动令牌，取代传统的层次化上下半身分离。

关键结果

在九个真实世界的Unitree G1任务上，MotionWAM实时运行，在总体成功率上大幅优于在同一演示数据上微调的视觉-语言-动作（VLA）基线超过30%，并且执行了分离的上下半身策略无法实现的任务驱动足部交互。

资源

论文