arXiv · 03.08.2026 ·Исследования и наука

CoWAM: новый метод координации действий для робототехники

Исследователи представили CoWAM — слой селективного вмешательства для робототехнических систем, использующих World Action Models (WAMs). Метод позволяет роботам с бимануальным управлением координировать действия через систему контрактов. Это решает проблему слепого следования предсказанным сценариям, обеспечивая синхронизацию, совместимость ролей и предотвращение столкновений при выполнении сложных манипуляций в динамической среде.

Традиционные модели WAM предсказывают будущие состояния на основе действий, однако одного прогноза недостаточно для принятия решений в задачах, требующих участия обеих рук. CoWAM вводит механизм «контрактов координации», которые формализуют правила взаимодействия. Каждый такой контракт определяет типы допустимых состояний и условий, при которых система может вмешаться в базовую политику управления, чтобы скорректировать траекторию или последовательность движений.

Такой подход позволяет интегрировать высокоуровневые логические ограничения в низкоуровневые политики управления роботами. Вместо того чтобы переобучать всю модель под каждую новую задачу, инженеры могут задавать специфические правила координации. Это повышает надежность выполнения задач, требующих сложного взаимодействия между манипуляторами, и снижает вероятность ошибок при планировании движений в ограниченном пространстве.

Ключевые факты

CoWAM использует систему контрактов для управления синхронизацией и предотвращения столкновений.
Метод предназначен для бимануальных робототехнических систем, работающих на базе World Action Models.
Контракты включают типизированную допустимость (typed admissibility) для проверки корректности действий в реальном времени.
Решение позволяет выборочно вмешиваться в политику управления, не нарушая общую логику выполнения задачи.
Исследование направлено на повышение безопасности и эффективности автономных манипуляторов в сложных сценариях.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Память и RAG LaWAM: моделирование будущего для роботов с помощью ИИ Исследователи из MIT и других ведущих университетов представили новый подход к созданию роботов, способных предсказывать последствия своих действий. В статье LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies авторы предлагают использовать модели, которые учитывают, как действия робота изменят окружающую среду. Это позволяет роботам принимать более осознанные решения, что критически важно для автономных агентов. arXiv · Исследования и наука Исследование BadWAM: почему модели мира ошибаются в действиях Исследователи проанализировали уязвимости World-Action Models (WAMs) — систем, объединяющих прогнозирование состояния среды с генерацией действий для робототехники. Несмотря на способность моделей точно предсказывать будущие состояния мира, они часто совершают критические ошибки при выполнении физических действий. Авторы работы демонстрируют, что высокая точность «воображения» не гарантирует корректного управления, создавая ложное ощущение безопасности и интерпретируемости систем. arXiv · Машинное обучение WCM: новый подход к обучению VLA-моделей для робототехники Исследователи представили World Critic Model (WCM) — метод обучения VLA-моделей (Vision-Language-Action), решающий проблему неполной наблюдаемости в робототехнике. В отличие от традиционных подходов, использующих оценку отдельных кадров, WCM интегрирует временную динамику в процесс обучения критика. Это позволяет агентам лучше учитывать контекст последовательностей при выполнении манипуляционных задач, повышая точность управления в сложных условиях. arXiv · Машинное обучение Новый подход к планированию в world models повышает точность управления роботами Исследователи предложили метод улучшения планирования в world models, который решает проблему накопления ошибок при выборе действий. Вместо слепого следования последовательности с минимальной предсказанной стоимостью, алгоритм учитывает действия из «смежного множества» в физическом пространстве. Это позволяет избежать выбора невыполнимых траекторий, которые ошибочно кажутся оптимальными из-за остаточных ошибок прогнозирования модели. NVIDIA Technical Blog · Память и RAG World-Action Models: от воображения к действию NVIDIA представила концепцию World-Action Models (WAM), новых моделей, которые сочетают в себе возможности визуально-языковых моделей (VLM) с возможностью выполнения действий. Эти модели начинают с предобученного VLM-основания и адаптируют его для выполнения конкретных задач, что делает их перспективными для создания ИИ-агентов, способных не только понимать, но и взаимодействовать с окружающим миром. arXiv · Исследования и наука Метод Courteous Anticipation для оптимизации планирования задач у роботов Исследователи представили алгоритм Courteous Anticipation, решающий проблему неэффективного планирования задач в многоагентных робототехнических средах. В отличие от стандартных систем, которые решают задачи изолированно, новый подход учитывает потребности будущих операций. Это позволяет роботам избегать создания препятствий для последующих действий, значительно снижая совокупные затраты ресурсов и времени при выполнении длительных последовательностей заданий. arXiv · Машинное обучение PAC-ACT: новый метод обучения робототехнических моделей для промышленной манипуляции Исследователи представили PAC-ACT (Post-training Actor-Critic) — метод дообучения моделей Action Chunking Transformers, оптимизированный для задач промышленной робототехники. Новый подход позволяет роботам эффективнее справляться с манипуляциями при изменении положения объектов и ограничениях по силе контакта, сохраняя при этом низкую задержку инференса, необходимую для работы в режиме реального времени. arXiv · Исследования и наука DriftWorld: ускорение предиктивного моделирования для робототехники Исследователи представили DriftWorld — новую архитектуру предиктивных моделей мира, оптимизированную для задач управления роботами. Метод позволяет значительно ускорить генерацию сценариев развития событий, устраняя вычислительные задержки, характерные для диффузионных моделей. Это дает возможность роботам выполнять масштабный поиск оптимальных действий в режиме реального времени, что критически важно для эффективного планирования в динамических условиях. arXiv · Исследования и наука Метод ACID повышает точность планирования в моделях мира для робототехники Исследователи представили метод ACID (Action Consistency via Inverse Dynamics), решающий проблему расхождения между прогнозами моделей мира и реальным поведением среды. Новый подход внедряет проверку согласованности действий через обратную динамику, что позволяет отсеивать нереалистичные траектории при планировании в реальном времени, значительно повышая надежность управления автономными агентами и роботами в сложных условиях. arXiv · Исследования и наука NeuralActuator: повышение точности управления роботами через нейросетевое моделирование Исследователи представили NeuralActuator — метод нейросетевого моделирования динамики приводов, решающий проблему расхождения между симуляцией и реальностью в робототехнике. Традиционные линейные модели не учитывают трение, гистерезис и тепловые эффекты, что критично для бюджетных платформ. Новый подход позволяет более точно предсказывать выходной крутящий момент, значительно повышая эффективность обучения политик управления и точность выполнения команд в сложных физических условиях.

← Все материалы