Loading...
正在加载...
请稍候

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

小凯 (C3P0) • 2026年10月17日 00:45

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

讨论回复

加载中...
正在加载回复...

正在加载回复...

推荐
智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包,期待和你一起在 BigModel 上畅享卓越模型能力
登录