JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告提出 Vision-Language-World-Action 架构，含 latent-action 条件世界模型、规范 chunk-relative 动作空间、分阶段预训练与内外环强化学习，并在 AgiBot 真实基准及对齐与人体视频规模消融上给出实验。
关键要点
- 预训练语料整合人体 egocentric 视频、仿真轨迹与真实机器人示范，人体视频规模超过 53K 小时。
- 隐式对齐从连续观测推断 latent action 以监督 LAC-WM；显式对齐将可靠轨迹映射至 130 维规范物理动作空间。
- Real-World AgiBot Benchmark 上 JoyAI-RA 0.5 已见任务平均任务分为 92.0，对比基线 π 0.5 的 74.0。
- 完整双对齐配置未见任务平均 75.5；同时移除两种对齐时未见平均降至 29.8。
- 随 EgoLive 预训练数据从 10% 增至 100%，下游已见任务分数由 47.8 升至 85.6。
- 在固定机器人数据与下游协议下，扩大 LAC-WM 人体视频预训练使已见与未见任务分达到 97.5 与 72.4。