SplineWAM: Adaptive Aktionshorizonte für World Action Models durch B-Spline-Repräsentationen
SplineWAM ist ein Preprint, das die Aktionsvorhersage eines World Action Models von festen Aktions-Chunks auf ein adaptives Fenster kubischer B-Spline-Parameter umstellt; Knotenzeiten steuern sowohl die zeitliche Auflösung als auch den Replanungsintervall. In den Simulationen LIBERO-Plus und RoboCasa steigt die Erfolgsrate gegenüber einer Action-Chunking-Baseline um 8,2 bzw. 4,4 Punkte, während die Policy-Aufrufe pro Episode um 22 bzw. 26 Prozent sinken. Auf drei bimanuellen Realrobot-Aufgaben decodiert das Verfahren 1,2 bis 1,6 mal mehr ausgeführte Bewegung pro Aufruf und hält die asynchrone Ausführung über eine Jacobian-Pullback-Korrektur stabil.
Kann eine feste Anzahl von B-Spline-Parametern mit adaptiv platzierten Knoten die Aktionsrepräsentation eines World Action Models so verändern, dass die Vorhersage sowohl den Ausführungshorizont als auch die zeitliche Auflösung an die Aufgabenphase anpasst und dabei Erfolgsrate und Inferenzdurchsatz verbessert?
World Action Models sagen derzeit feste Aktions-Chunks auf einem uniformen Zeitgitter vorher. Das bindet Parameterzahl, ausgeführte Schritte und zeitliche Auflösung aneinander; Freiraumbewegungen erhalten zu viele redundante Inferenzaufrufe, während Kontaktphasen zu selten neu geplant werden. Bei cloud-basiertem Serving wird jeder Aufruf zu einem Durchsatzengpass.
Bisherige WAMs übernehmen Action Chunking (Zhao et al. 2023) mit uniformem Gitter; BEAST nutzt zwar Spline-Token, aber mit fester Dauer; Naive B-Spline (Han et al. 2026) sagt ein festes lokales Fenster vorher, ohne Videoalignment an Knotenzeiten. Asynchrone Ausführung verwendet Real-Time Chunking (RTC), das bei Spline-Parametern direkt auf Parameterzeilen constraint und dadurch ineffizient ist. Diese Ansätze können den Horizont nicht aus der Vorhersage selbst ableiten.
SplineWAM ersetzt den Aktions-Chunk im Fast-WAM-Backbone durch ein Fenster kubischer B-Spline-Parameter (Knotenzeiten und Kontrollpunkte), das mit adaptiver FITPACK-artiger Knoteneinfügung unter einer Fehlertoleranz gefittet wird. Die Videobranche wird auf die gefitteten Knotenzeiten ausgerichtet (Knotengrid-Alignment), sodass schwierige Trajektorienabschnitte dichter überwacht werden. Für asynchrone Ausführung wird JP-RTC eingeführt: Die Kontinuitätsbedingung wird auf dekodierten Aktionen gebildet und über die lokale Jacobi-Matrix des Decoders in den Parameterraum zurückgezogen.
Auf LIBERO-Plus erreicht SplineWAM-Knot 74,5 % Erfolgsrate gegenüber 66,3 % der Action-Chunking-Baseline (+8,2 Punkte) bei 26,2 gegenüber 33,6 Policy-Aufrufen pro Episode (-22 %); auf RoboCasa 73,5 % gegenüber 69,1 % (+4,4 Punkte) bei 16,3 gegenüber 21,9 Aufrufen (-26 %). BEAST liegt bei 66,6 % bzw. 65,0 %. Im Realrobot-Test mit je 30 Versuchen pro Aufgabe und Methode führt SplineWAM mit JP-RTC bei Arrange Bookshelf zu 23,3 % vs. 20,0 % Erfolg, bei Charge Earphone zu 26,7 % vs. 26,7 % (aber Fortschritt 57,5 % vs. 73,3 %), bei Clean Whiteboard zu 60,0 % vs. 50,0 %; die dekodierte Schrittzahl pro Aufruf liegt bei 38,6, 45,7 bzw. 52,4 gegenüber 32,0 der Baseline. Im Ablationssweep benötigt SplineWAM für gleiche Baseline-Genauigkeit 2,2 mal weniger Aufrufe auf RoboCasa und 2,5 mal weniger auf LIBERO-Plus.
Das Paper ist ein Preprint ohne Begutachtung. Die realen Experimente umfassen nur drei bimanuelle Aufgaben mit je 30 Versuchen pro Methode und Aufgabe; das genaue Robotermodell wird im Text nicht berichtet. Bei der präzisen Ohraufladung erreicht SplineWAM nur gleiche Erfolgsrate, aber geringeren Fortschritt als die Baseline. Ein veröffentlichter Code wird nicht erwähnt.
Die Methode ist relevant für Anbieter cloud-basierter Robotik-Policies, etwa Xiaomi Robotics, die Flotten aus zentralen Servern steuern. Durch weniger Policy-Aufrufe pro Episode können mehr Roboter pro Infrastruktur betrieben werden. Ein produktiver Einsatz ist in 1 bis 3 Jahren denkbar, sofern die asynchrone JP-RTC-Infrastruktur skaliert, die Ergebnisse auf weiteren Robotertypen reproduziert werden und ein Peer-Review erfolgt.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.