[论文] Perceive, Predict, and Plan: a Unified World Action Model for Egocentr...

研究领域: CV 作者: Zirui Wu, Chen Guo, Tianjian Jiang, Zeren Jiang, Zeming Li, Lingchen Yang, Longteng Duan, Ying Xue, Handi Yin, Shenyuan Gao, Martin R. Oswald, Jun…

目录
  1. 论文概要
  2. 中文摘要
  3. 原文摘要

论文概要

研究领域: CV 作者: Zirui Wu, Chen Guo, Tianjian Jiang, Zeren Jiang, Zeming Li, Lingchen Yang, Longteng Duan, Ying Xue, Handi Yin, Shenyuan Gao, Martin R. Oswald, Jun Zhang, Ping Tan, Jie Song 发布时间: 2026-10-15 arXiv: 2610.22363

中文摘要

我们引入 P³-WAM,这是一个用于自我中心灵巧操作的统一世界动作模型,通过三种互补模式学习 3D 感知、动作条件预测和目标导向规划:感知(Perceive)从视频中重建铰接式手部运动和相机轨迹;预测(Predict)在给定动作下生成视觉未来;规划(Plan)在给定初始图像、语言指令和可选视觉目标的条件下,联合生成动作轨迹及其预期视觉结果。我们的模型将紧凑的结构化 3D 动作表示集成到预训练视频扩散 Transformer 中,采用混合 Transformer 架构,包含共享基础权重、模态特定适配和双向视觉-动作注意力。实验表明,统一训练相比单模式训练改善了所有三项能力。我们的模型在 3D 手部重建和动作条件视频预测方面在四个数据集上优于专业基线,同时生成的目标导向操作视频具有更强的指令遵循性和动作进展性。项目页面:https://p3-wam.pages.dev/

原文摘要

We introduce P\(^{3}\)-WAM, a unified world action model for egocentric dexterous manipulation that learns 3D perception, action-conditioned prediction, and goal-directed planning through three complementary modes: Perceive, which reconstructs articulated hand motion and camera trajectories from video; Predict, which generates visual futures under prescribed actions; and Plan, which jointly generates action trajectories and their anticipated visual consequences conditioned on an initial image, a language instruction, and an optional visual goal. Our model integrates a compact, structured 3D action representation into a pretrained video diffusion transformer through a mixture-of-transformers architecture with shared base weights, modality-specific adaptation, and bidirectional visual-action a...


*自动采集于 2026-10-17*

#论文 #arXiv #CV #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(0)

暂无回复,登录后可参与讨论

本文标签

合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens