GreenWAM: A World Foundation Model for Robotics

📄 arXiv: 2610.18774v1 📥 PDF

作者: Gennady Sidorov, Valerii Kornilov, Denis Grankin, Polina Fedotova, Aleksey Postnikov

分类: cs.RO

发布日期: 2026-10-13

备注: Technical report. Project page: https://greenvla.github.io/GreenWAM

💡 一句话要点

提出GreenWAM以解决机器人世界模型与策略选择的双重问题

🎯 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: 机器人 世界模型 策略选择 联合训练 解剖动作空间 适应性 多机器人系统 实时控制

📋 核心要点

  1. 现有的机器人世界模型和策略选择方法通常只针对单一角色，缺乏跨机器人平台的通用性。
  2. GreenWAM通过共享解剖动作空间和联合训练，提供了一个统一的世界模型和策略选择框架。
  3. 实验结果显示，GreenWAM在多个基准测试中表现优异，尤其是在真实机器人适配中超越了现有策略。

📝 摘要（中文）

机器人需要一个世界模型来预测其动作如何改变场景，以及一个策略来选择这些动作。现有模型通常只针对其中一个角色进行构建和评估，且每个机器人以自己的格式记录动作。我们提出GreenWAM，一个用于机器人领域的世界基础模型，并提供了其生成的方案：共享的解剖动作空间、在视觉、动作条件和世界动作模式下的联合训练，以及将动作专家从生成器中分离的策略。作为世界模型，GreenWAM在WorldArena 1.0上达到了顶级的轨迹、深度和三维精度；作为策略，它在RoboTwin 2.0排行榜上名列前茅，并在LIBERO-plus的零-shot成功率中表现最佳。我们还将GreenWAM适配到真实的人形机器人中，成功率超过了从$π_{0.5}$和Cosmos 3 Edge适配的策略，并将其蒸馏为实时控制的单步策略。

🔬 方法详解

问题定义：本论文旨在解决机器人在不同平台上如何共享和利用世界模型与策略选择的问题。现有方法往往只关注其中一个角色，导致模型的通用性和适应性不足。

核心思路：GreenWAM的核心思路是通过构建一个共享的解剖动作空间，结合联合训练，使得一个世界模型能够同时服务于不同机器人的动作预测和策略选择。这样的设计旨在提高模型的通用性和适应性。

技术框架：GreenWAM的整体架构包括三个主要模块：共享的解剖动作空间，支持20种机器人家族的共同关节坐标；在视觉、动作条件和世界动作模式下的联合训练；以及将动作专家从生成器中分离的策略设计。

关键创新：GreenWAM的主要创新在于其共享的解剖动作空间和联合训练策略，使得不同机器人能够在同一模型下进行有效的学习和适应。这与现有方法的单一角色模型形成了鲜明对比。

关键设计：在模型设计中，采用了多种损失函数以优化不同任务的性能，并通过分离动作专家来增强模型的适应性和鲁棒性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在实验中，GreenWAM在WorldArena 1.0上达到了顶级的轨迹、深度和三维精度，超越了所有对比的世界动作模型和视频生成器。同时，在RoboTwin 2.0排行榜上名列前茅，LIBERO-plus的零-shot成功率也达到了最高，显示出其卓越的性能。

🎯 应用场景

GreenWAM的研究成果在多个领域具有潜在应用价值，包括服务机器人、工业自动化和人机协作等。通过提供一个通用的世界模型，GreenWAM可以提高机器人在复杂环境中的适应能力和决策效率，推动智能机器人技术的进一步发展。

📄 摘要（原文）

A robot needs a world model that predicts how its actions will change the scene and a policy that chooses those actions. Models are usually built and evaluated for only one of these roles, and every robot records its actions in its own format. We ask whether one robot world model can serve both roles across different bodies, and what makes this work. We present GreenWAM, a world foundation model for robotics, together with the recipe that produces it: (1) a shared anatomical action space that describes 20 robot families, from bimanual arms to dexterous humanoids, in common joint coordinates; (2) joint training on these families in visual, action-conditioned and world-action modes; and (3) policies that split an action expert off the generator. As a world model, GreenWAM attains top-tier trajectory, depth and 3D accuracy on WorldArena 1.0, ahead of every world-action model and video generator in our comparison. As a policy, it scores among the top entries of the RoboTwin 2.0 leaderboard, reaches the highest zero-shot LIBERO-plus success among the compared methods and is competitive with dedicated vision-language-action and world-action policies on CALVIN and LIBERO. We further adapt GreenWAM to a real humanoid, where it succeeds more often than policies adapted from $π_{0.5}$ and from Cosmos 3 Edge, and distill it into a single-step policy for real-time control. Controlled experiments yield three findings: robot specialization improves world prediction and control together; an action expert helps when split off at the start of adaptation; and keeping world-model modes during policy adaptation preserves robustness to scene changes.