重新思考世界-动作模型：面向组合式与上下文学习机器人操作

📋总体概括

arXiv预印本提出ViGAR（视觉目标条件动作推理），针对长时程组合式操作任务，将现有世界-动作模型（WAM）只做短时程视觉预测与动作联合生成、缺乏子任务级推理的问题，重构为分层架构：子目标规划器根据当前观测和全局指令预测下一子任务的视觉子目标，执行器再在该子目标条件下联合生成未来视觉轨迹与动作。两个模块共享预训练世界模型表征，使任务级规划与动作生成相互促进，提升了真实机器人部署中多子任务协同操作的能力。