WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Prediction

📄 arXiv: 2610.18568v1 📥 PDF

作者: Haomin Wang, Anqiong Ji, Ke Wang, Zhongshan Liu, Ru Ying, Ran Zheng, Zhipeng Zhang

分类: cs.RO

发布日期: 2026-10-13

💡 一句话要点

提出WAVE-0框架以解决VLA与WAM间的整合问题

🎯 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) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-行动 世界行动模型 潜在世界模型 机器人操作 未来预测

📋 核心要点

  1. 现有的VLA策略未能有效建模环境后果，导致生成的动作缺乏针对性和准确性。
  2. WAVE-0框架通过轻量级潜在世界模型，将VLA的语义理解与未来预测结合，提升了动作生成的准确性。
  3. 在多个实验中，WAVE-0在RoboTwin 2.0和LIBERO上分别达到了91.47%和98.7%的成功率，显著提升了机器人操作的成功率。

📝 摘要（中文）

视觉-语言-行动（VLA）策略在通用机器人操作中表现出色，但未能明确建模其环境后果。世界行动模型（WAM）则通过未来预测来解决这一问题，但大多数依赖于昂贵的视频生成。我们提出WAVE-0（世界模型增强的VLA执行），通过轻量级的潜在世界模型将VLA与WAM连接起来。WAVE-0利用预训练VLA的语义理解与明确的未来预测相结合，使得预期的行动后果直接指导行动生成。该框架在RoboTwin 2.0和LIBERO上取得了91.47%和98.7%的成功率，展示了强大的操作性能和在不同分布变化下的泛化能力。

🔬 方法详解

问题定义：本论文旨在解决现有VLA策略在生成动作时未能有效考虑环境后果的问题。现有WAM虽然能够进行未来预测，但大多数依赖于昂贵的视频生成，限制了其实用性。

核心思路：WAVE-0框架通过轻量级的潜在世界模型，将VLA的语义理解与明确的未来预测相结合，使得预期的行动后果能够直接影响动作生成。这种设计旨在提高动作生成的准确性和效率。

技术框架：WAVE-0的整体架构包括三个主要模块：预训练的VLA、潜在世界模型和动作专家。潜在世界模型将VLA生成的潜在动作计划转化为预测的未来表示，从而指导动作专家进行决策。

关键创新：WAVE-0的主要创新在于其轻量级的潜在世界模型，能够直接在真实机器人动作上进行训练，避免了像素重建和大规模视频预训练的需求。这一创新使得模型在资源消耗上更加高效。

关键设计：在训练过程中，WAVE-0采用了反事实排名目标作为损失函数，确保模型能够准确预测未来的环境状态。此外，模型的参数设置经过精心调整，以优化其在不同任务上的表现。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

WAVE-0在RoboTwin 2.0和LIBERO上分别取得了91.47%和98.7%的成功率，LIBERO-Plus、LIBERO-Pro和LIBERO-Para的成功率分别为88.0%、61.4%和75.0%。在真实任务中，成功率从38.3%提升至73.3%，显示出显著的性能提升。

🎯 应用场景

WAVE-0框架具有广泛的应用潜力，尤其是在机器人操作、自动化制造和智能家居等领域。通过提高机器人在复杂环境中的操作能力，该研究为未来的智能机器人系统提供了更为可靠的决策支持，推动了机器人技术的进步与普及。

📄 摘要（原文）

Vision-language-action (VLA) policies excel at generalist robotic manipulation but generate actions without explicitly modeling their environmental consequences. World action models (WAMs) incorporate future prediction, yet most rely on costly video generation, while latent alternatives either use predicted futures only as auxiliary targets or infer latent actions from suboptimal visual transitions through costly large-scale video pretraining. We introduce WAVE-0 (World-model-Augmented VLA Execution), a framework that bridges VLAs and WAMs through a lightweight latent world model. By connecting the semantic understanding of pretrained VLAs with explicit future prediction, WAVE-0 allows anticipated action consequences to directly guide action generation. Built on a pretrained VLA, its 257M world model translates VLM-generated latent action plans into predicted future representations that condition the action expert, unifying latent planning, future prediction, and action generation. The world model is trained directly on ground-truth robot actions with a counterfactual ranking objective, requiring neither pixel reconstruction nor large-scale video pretraining. WAVE-0 achieves success rates of 91.47% on RoboTwin 2.0 and 98.7% on LIBERO, along with 88.0%, 61.4%, and 75.0% on LIBERO-Plus, LIBERO-Pro, and LIBERO-Para, respectively. On real-world tasks, it improves the success rate of $π_{0.5}$ from 38.3% to 73.3%. These results demonstrate strong manipulation performance and generalization across diverse distribution shifts.