arXiv機器人專業

Rolling-WAM：利用滾動想像實現高效控制的機器人世界動作模型

Rolling-WAM: Accelerating Robotic World Action Models via Rolling Imagination

2026/09/252 分鐘閱讀

30 秒看懂

傳統的世界動作模型 (WAM) 同時生成動作與未來影像預測，但每次重新規劃時都必須從頭去噪整個預測時間段，帶來極高的延遲，限制了閉環控制效能。Rolling-WAM 提出「滾動想像」機制，在滑動視窗中維護多個處於不同雜訊等級的影像動作區塊。它在當前步驟中僅完全去噪即將執行的動作，並部分精煉未來的預測；隨著視窗推進，這些未來區塊會在後續週期中繼續被去噪。此設計使重新規劃速度提升 4.5 倍，並在 LIBERO、RoboTwin 以及 Unitree G1 真實人形機器人上成功完成多項操作任務。

核心重點

時間分散去噪

打破每次重新規劃皆須從頭去噪的傳統模式，將聯合影像動作的去噪計算分攤至數個連續週期中。

滾動式去噪排程

採用滑動視窗與階梯式雜訊等級，即時去噪當前動作，同時逐步提煉未來區塊的資訊。

4.5 倍重新規劃加速

在維持高水準操縱表現的同時，相較於標準 WAM 實現了 4.5 倍的穩態重新規劃加速。

實體人形機器人驗證

在模擬平台（LIBERO、RoboTwin）以及真實世界的 Unitree G1 雙足人形機器人上完成了實證測試。

技術圖解

標準 WAM 與 Rolling-WAM 之比較

	Standard WAM	Rolling-WAM (Ours)
去噪機制	每次規劃皆需從頭完整去噪	滑動視窗內分階段交錯去噪
重新規劃延遲	高延遲（難以實現閉環即時控制）	低延遲（達 4.5 倍穩態加速）
未來預測處理	捨棄前次預測，全部重新生成	保留未來區塊並在後續步驟中持續精煉

為什麼重要

世界動作模型（WAM）是具身智慧的核心方向，然而以往極高的生成延遲使其難以在真實硬體上實現即時閉環控制。Rolling-WAM 證明了我們不需要在「未來視覺預測」與「快速動作反應」之間妥協。這項技術解決了去噪延遲的瓶頸，讓具身智慧模型能更實用地部署於需要敏捷、高頻反應的實體人形機器人上。

對誰有影響

AI 開發者
AI 研究人員
學生與學習者

可以怎麼使用

1人形機器人即時操作控制
2基於擴散模型的高頻閉環機器人決策

限制與注意事項

高度依賴連續、平滑的滑動視窗脈絡，若環境發生突發劇變，可能影響未完全去噪的未來預測。
雖然大幅降低延遲，但擴散模型整體的硬體運算需求依然高於簡易的行為複製（Behavioral Cloning）模型。