生成式人形机器人世界建模：1X世界模型挑战技术报告

于红博

摘要: 世界模型是人工智能和机器人技术中的一个强大范式，使代理能够通过预测视觉观察或紧凑潜在状态来推理未来。1X世界模型挑战引入了一个开源的现实世界人形互动基准，包括两个互补的轨道：采样，专注于预测未来图像帧，和压缩，专注于预测未来离散潜在编码。对于采样轨道，我们将视频生成基础模型Wan-2.2 TI2V-5B调整为视频状态条件下的未来帧预测。我们使用AdaLN-Zero将视频生成与机器人状态联系起来，并进一步使用LoRA对模型进行后训练。对于压缩轨道，我们从头开始训练了一个时空变换器模型。我们的模型在采样任务中实现了23.0 dB的PSNR，在压缩任务中实现了6.6386的Top-500 CE，获得了两个挑战中的第一名。

更新时间: 2025-10-08 14:49:12

领域: cs.LG,cs.AI,cs.RO

下载: http://arxiv.org/abs/2510.07092v1