SplineWAM: Adaptive Action Horizons for World Action Models via B-Spline Representations

📄 arXiv: 2609.39873v1 📥 PDF

作者: Jun Guo, Xiaoshen Han, Qiwei Li, Nan Sun, Peiyan Li, Heyun Wang, Hang Lai, Weinan Zhang, Xinghang Li, Huaping Liu

分类: cs.RO

发布日期: 2026-09-30

备注: Project website: https://splinewam.github.io/

💡 一句话要点

提出SplineWAM以解决世界动作模型的时间分配问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 世界动作模型 B样条 自适应推理 机器人操作 实时推理 动作轨迹压缩 雅可比拉回

📋 核心要点

  1. 现有的世界动作模型在时间分配上存在不足，无法根据任务复杂性动态调整推理资源，限制了其在云端的吞吐量。
  2. SplineWAM通过自适应地将动作轨迹压缩为固定大小的B样条参数，动态调整节点时间以适应不同的运动特征，从而提高了推理效率。
  3. 在多个真实机器人任务中，SplineWAM的成功率显著提升，同时每次调用解码的执行动作量增加了1.2到1.6倍，表现优于基线方法。

📝 摘要（中文）

世界动作模型（WAMs）是大型的具身策略，能够联合预测未来视频和执行的动作，但在推理时以固定长度的动作块进行分配，导致在自由空间运动或接触丰富的操作中无法有效利用计算资源。本文提出SplineWAM，通过自适应压缩动作轨迹为固定大小的三次B样条参数，动态调整节点时间以适应运动特征，从而提高推理效率。引入的雅可比拉回实时分块（JP-RTC）方法确保机器人执行的动作连续性，同时纠正参数以匹配已执行的动作。实验结果表明，SplineWAM在LIBERO-Plus和RoboCasa上成功率分别提高了8.2和4.4个百分点，同时每集的策略调用减少了22%和26%。

🔬 方法详解

问题定义：论文要解决的问题是现有世界动作模型在推理时无法根据动作复杂性动态分配计算资源，导致在不同任务中表现不佳。现有方法在时间分配上过于均匀，无法适应自由空间运动和接触丰富的操作场景。

核心思路：SplineWAM的核心思路是通过自适应压缩动作轨迹为固定大小的三次B样条参数，动态调整节点时间以适应运动特征，从而实现更高效的推理。通过这种方式，可以在复杂动作的关键时刻集中计算资源，提高模型的整体性能。

技术框架：SplineWAM的整体架构包括动作轨迹的B样条表示、节点时间的自适应调整、以及雅可比拉回实时分块（JP-RTC）模块。该框架首先将动作轨迹转换为B样条参数，然后根据运动特征调整节点时间，最后通过JP-RTC确保动作的连续性。

关键创新：最重要的技术创新点在于引入了自适应的B样条表示和JP-RTC方法，使得模型能够根据任务需求动态调整推理资源，从而显著提高了成功率和执行效率。这与现有方法的固定时间分配策略形成了鲜明对比。

关键设计：关键设计包括B样条参数的固定大小设置、节点时间的自适应调整机制，以及JP-RTC模块的实现细节。损失函数设计上，重点关注动作的连续性和准确性，以确保机器人执行的动作与预测一致。整体网络结构则采用了适合实时推理的轻量级设计。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SplineWAM在LIBERO-Plus和RoboCasa上成功率分别提高了8.2和4.4个百分点，同时每集的策略调用减少了22%和26%。在三项双手真实机器人任务中，SplineWAM的解码执行动作量比基线方法增加了1.2到1.6倍，表现出色。

🎯 应用场景

该研究的潜在应用领域包括机器人操作、自动驾驶、虚拟现实等场景，能够有效提升机器人在复杂环境中的自主决策能力和执行效率。未来，SplineWAM可能在多模态交互和智能代理等领域发挥重要作用，推动智能系统的进一步发展。

📄 摘要（原文）

World action models (WAMs) are large embodied policies that jointly predict future video and the actions to execute, emitting a fixed-length action chunk per inference call. Such a policy allocates its computational budget uniformly in time, unable to execute for longer over free-space motion or to spend more inference on contact-rich manipulation, which limits the throughput a WAM can reach when served in the cloud. We present SplineWAM, which adaptively compresses the action trajectory into a fixed-size window of cubic B-spline parameters, fitting the knot times to the characteristics of the motion. One parameter budget then decodes into chunks of varying temporal resolution and duration, and both the executed span and the interval until the next policy call follow from the prediction itself. Aligning the video supervision to the fitted knot times of the demonstration rather than to a uniform grid concentrates the supervised frames where the action trajectory is complex. For asynchronous deployment we introduce Jacobian-Pullback Real-Time Chunking (JP-RTC), which imposes chunk continuity on the decoded raw actions the robot executes rather than on the spline parameters, and corrects the parameters through the decoder so that the executed prefix agrees with the actions already committed. On LIBERO-Plus and RoboCasa, SplineWAM improves success rate over an action chunking WAM by $8.2$ and $4.4$ points while cutting policy calls per episode by 22% and 26%. On three bimanual real-robot tasks under asynchronous execution, it leads or matches the baseline while decoding 1.2 to 1.6 times as much executed motion per call.