PointWAM：面向灵巧机器人操作的 3D 世界动作建模

PointWAM 是一种 3D 世界动作模型，将世界分解为场景与手部，在共享时空坐标系中联合预测二者的 3D 点轨迹，再把预测的手部运动重定向为机器人动作。在人类视频上预训练使 DexJoCo 平均成功率提升 56.9 个百分点，场景轨迹监督比仅预测手部再提升 10.9 个百分点。