⭐️欢迎关注新工作 WholeBodyWAM：将预训练 WAM 的操作知识泛化到人形全身协同，让机器人“手上会做”，也能“全身配合”。

-论文标题：WholeBodyWAM: Generalizing Pre-trained World–Action Priors to Humanoid Loco-Manipulation via WBC-Grounded Coordination
-论文链接：https://arxiv.org/abs/2609.16644
-项目地址：https://wholebodywam.github.io/

🔎背景与痛点：从桌面操作走向全身协同
WAM 已展现有效的操作能力与泛化潜力，但研究大多聚焦桌面或手臂操作，双足人形机器人的大范围全身移动操作仍探索不足。难点不只在于增加关节：手臂要与移动、转身和躯干调整协同，不同全身控制器的指令含义也不统一，高质量人形示教数据仍有限。

💡关键 Insight：如何将操作先验用于全身协同？
预训练 WAM 已有丰富操作先验。关键缺口是：将这些先验结构化对接异构全身控制器（WBC），让模型学会身体何时、如何配合操作。

🛠️提出方案： Preserve → Ground→ Coordinate → Generalize
WholeBodyWAM 通过三项互补设计扩展世界—动作先验：1）保留预训练 WAM 的视觉—操作通路；2）用统一全身控制接口 UWBC 对齐控制器指令语义；3）用协调感知注意力 CASA，在手臂沿观测运动方向的可操作性下降时，加强操作意图对全身调整的引导。

🧪实验验证：表现与协同泛化
覆盖6个仿真、8个真机任务，仿真成功率91.9%；真机分布内/外成功率81.3%/68.8%。
毛巾支架移远10 cm后，机器人首次抓取失败，随后前移并转身，再次抓取成功。这一完整恢复序列未见于我们的训练示教，展示了whole-body coordination generalization。我们将其理解为保留操作先验与增强全身协同共同促成的涌现行为。

🚀总结：复用先验，走向全身智能
结果提示：通过结构化 WBC grounding与coordination，复用并泛化世界—动作先验，有望以有限的人形数据支持可扩展的全身智能，而不必从零重学全身行为。欢迎阅读论文、观看演示！

#具身智能 #机器人操作 #人形机器人 #世界模型