Embodied policy上級
EWAM、意味理解から視覚予測、行動生成へ層別に役割分担する統一エンボディードモデル
Yinwang Intelligent Technology の研究チームは、視覚言語、動画、行動の専門家を非対称な注意機構で統合する EWAM を開発した。浅層では意味理解、中層では未来フレーム予測、深層では行動生成という層別の計算分担が自然に生じ、ロボット軌道と人の一人称動画で事前学習したところ RoboTwin の clean-to-random で 72.1%、LIBERO で平均 98.8% を達成し、実機でも既存手法を上回った。本論文は査読前のプレプリントである。