Skip to content
Chinese robotics — Dataset and collection discovery·· 1 days agoSignalEditorial score88

GreenWAM: A World Foundation Model for Robotics

跨越20类机器人！世界基础模型GreenWAM既能预测行动后果，也能作出决策

Summary

A research paper introduces GreenWAM, a world foundation model for robotics that unifies world modeling and action control. The model is trained on a unified action space covering 20 robot types and demonstrates strong performance in trajectory prediction, depth estimation, and zero-shot task success across multiple benchmarks and real-world robot tasks. The model's architecture integrates world modeling with action generation through a shared transformer-based framework.

Source: Chinese robotics — Dataset and collection discovery · Read original article ↗

English translation unavailable. Choose the original article to read it.

What the source reports

Publisher-reported claims, with original evidence. These results have not been independently verified by RoboSignal.

Reported numbers

  • training_hours

    1,674.7 hours

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17

  • atomic_samples

    1,190,000

    Trajectory count

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17

  • total_hours

    1,688.5 hours

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17

  • video_samples

    1,440,000

    Trajectory count

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17

  • filtered_samples

    1,430,000

    Trajectory count

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17

  • instruction_samples

    1,190,000

    Trajectory count

    View original evidence
    机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。
    Open source S17
Source excerpts and review record

Automatically extracted; no manual editorial approval recorded.

机器人数据 首先，通过数据注册确定每个数据源的摄像头角色、状态布局和机器人属性；随后，将数据切分为 原子样本 ，得到纳入语料的 144 万个完整子任务原子样本，总时长为 1,688.5 小时；经过质量筛选后，保留 143 万个原子样本，总时长为 1,674.7 小时；最后，通过生成描述文本和推导指令，为 119 万个原子样本生成了符合要求的指令。

Open source S17

研究亮点： * 研究发现针对特定机器人进行专门化训练，能够同时提升世界预测与动作控制能力 * 研究发现在适配阶段开始时就将动作专家分离出来，有助于提升模型表现 * 研究发现在策略适配过程中保留世界模型的不同工作模式，有助于维持模型应对场景变化时的鲁棒性 论文地址： https://hyper.ai/papers/2610.18774 数据集：将 20 类机器人纳入统一动作空间 不同机器人数据集在帧率、摄像头布局、状态语义和任务边界等方面存在差异，双臂机器人、单臂机械臂和类人机器人即使执行相似任务，其原生动作表示也可能完全不同。

Open source S12

训练数据采用多种画布尺寸与宽高比，以适应不同机器人的视觉配置。

Open source S19

Source：Chinese robotics — Dataset and collection discovery · news.qq.com

#Research#World models#Sim-to-real#Robot policies#Open source#LeRobot
Timezone · UTC

Article dates follow your selected timezone. Briefing editions use Hong Kong time (UTC+8).