Efficient World Action Model Inference with Adaptive Intermediate States

📄 arXiv: 2609.34608v1 📥 PDF

作者: Zhinnan Liu, Haozhi Han, Ruge Zhang, Teng Ma, Tao Ma, Zheng Liu, Yifeng Chen, Yunquan Zhang, Ting Cao, Yunxin Liu, Kun Li

分类: cs.RO, cs.AI

发布日期: 2026-09-28

💡 一句话要点

提出WAMACHINE以解决世界动作模型推理效率问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 世界动作模型 推理效率 动态环境 轨迹重映射 观察重绑定 残差重缩放 实时控制

📋 核心要点

  1. 现有的世界动作模型推理方法在处理动态环境时存在显著的去噪延迟，影响了实时控制的效率。
  2. 本文提出WAMACHINE框架，通过保留和适应推理状态，优化控制循环中的推理过程，减少冗余计算。
  3. 在LIBERO和RoboTwin 2.0的实验中，WAMACHINE实现了显著的速度提升，同时保持了高成功率，验证了其有效性。

📝 摘要（中文）

世界动作模型（WAMs）通过联合建模动作和环境动态实现未来感知控制。然而，迭代扩散或流推理会导致显著的去噪延迟。现有推理状态在加速方面提供了自然机会，但由于规划上下文、观察和中间表示的变化，保留的状态可能迅速失效。为此，本文提出了WAMACHINE，一个无训练框架，通过保留和适应推理状态来加速WAM推理，以实现控制循环的高效和准确延续。实验表明，WAMACHINE在LIBERO和RoboTwin 2.0上实现了1.47-3.05倍的观察到动作延迟加速和2.23-3.27倍的每次重新规划GPU推理时间加速，同时保持了96.69-99.54%的原生WAM任务成功率。

🔬 方法详解

问题定义：本文旨在解决现有世界动作模型推理中的去噪延迟问题，现有方法在动态环境中容易导致推理状态失效，影响控制效率。

核心思路：WAMACHINE通过保留和适应推理状态，优化推理过程，避免重复计算，从而加速推理并提高准确性。

技术框架：WAMACHINE框架包含三个主要模块：轨迹重映射、观察重绑定和残差重缩放。轨迹重映射用于在重新规划时初始化状态，观察重绑定在执行动作时进行前瞻性推理，残差重缩放则在Transformer层中选择性地调整状态。

关键创新：WAMACHINE的核心创新在于其训练自由性和动态适应性，通过保留和调整推理状态，显著减少了冗余计算，与传统方法相比具有本质区别。

关键设计：在设计中，轨迹重映射通过前一轮的状态初始化下一轮，观察重绑定在一致性检查通过时进行状态重绑定，残差重缩放则在探测检查失败时刷新状态，确保计算效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，WAMACHINE在观察到动作延迟上实现了1.47-3.05倍的加速，在每次重新规划的GPU推理时间上实现了2.23-3.27倍的加速，同时保持了96.69-99.54%的任务成功率，展现了其卓越的性能。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在机器人控制、自动驾驶和智能制造等领域。通过提高推理效率，WAMACHINE能够支持更复杂的实时决策，推动智能系统的进一步发展。

📄 摘要（原文）

World Action Models (WAMs) enable future-aware control by jointly modeling actions and environment dynamics. However, iterative diffusion or flow inference incurs substantial denoising latency. Prior inference state offers a natural opportunity for acceleration, yet changing planning contexts, observations, and intermediate representations can quickly render retained state stale. Preserving useful computation therefore requires adapting inference state rather than reusing it as-is. To this end, we present $\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}$, a training-free framework that accelerates WAM inference by preserving and adapting inference state for efficient and accurate continuation as the control loop evolves. Across closed-loop replans, Trajectory Remapping remaps replan state from the preceding replan to initialize the next replan, reducing redundant trajectory generation. Across denoising steps, Observation Rebinding performs anticipatory inference during action execution and rebinds retained denoising state to the real observation for continuation when consistency checks pass, reducing latency exposed to the control loop. Across Transformer layers, Residual Rescaling selectively rescales retained layer state and refreshes it through full computation of the middle layers when probe checks fail, reducing repeated Transformer computation. Evaluations of three representative WAM architectures on LIBERO and RoboTwin 2.0 show that $\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}$ achieves 1.47-3.05$\times$ speedups in observation-to-action latency and 2.23-3.27$\times$ speedups in GPU inference time per replan, while preserving 96.69-99.54% of native WAM task success.