https://auto-driving-blog.pages.dev/tags/%EF%B8%8F-%E7%B3%BB%E7%BB%9F/ Recent content in 🏗️ 系统 on Elon's AD Insight https://auto-driving-blog.pages.dev/images/share.png https://auto-driving-blog.pages.dev/images/share.png Hugo zh-cn Thu, 22 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/openwam%E7%B2%BE%E8%AF%BB/ Thu, 22 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/openwam%E7%B2%BE%E8%AF%BB/ 斯坦福《OPENWAM: An Open Framework for Composable World-Action Models》（arXiv 2610.07922，Li Fei-Fei / Jiajun Wu / Ehsan Adeli 团队）精读：现有 WAM 系统同时更换视频底座、交互结构、监督信号与推理流程，导致「视频-动作交互设计」无法被单独比较。OPENWAM 固定一个共同底座——从 Wan2.2-5B 出发，在约 1.46 万小时机器人/人-物交互视频上做「块因果」预训练（32×B200 训 14 天、不用动作标签），再用共享 Mixture-of-Transformers 接入 2B 动作专家，同一架构支持 Joint / VTA / ATV / Decoupled 四种生成模式：VTA 在 LIBERO 四套件平均 98.6%，原始 Wan2.2 初始化只有 68.4%（+29.4 分）；双臂真机三任务平均 92.1%。第二条主线是「局部上下文动力学」：逆动力学（IDM）与前向动力学（FDM）只看当前观察+本体感觉+给定轨迹、不看语言与历史，并在仿真里从同一起始状态分叉执行替代动作序列造出 3.2 万条反事实数据（LIBERO-Long-CF，监督量 29.7×）——冻结的局部 IDM 配合「只调过视频预测器」的新任务，四个 LIBERO-90 迁移目标平均 84.0%，对比全上下文 47.0% 与纯演示 21.5%；FDM 的 16 选 1 结果识别率从 21.1% 升到 71.3%。附录还给出与 UVA 的统一对比和单 checkpoint 多目标训练（92.8%）。逐图讲解全部 5 张图。 https://auto-driving-blog.pages.dev/posts/paper-reading/x2real%E7%B2%BE%E8%AF%BB/ Wed, 21 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/x2real%E7%B2%BE%E8%AF%BB/ X Square Robot《X2Real Technical Report》精读：针对现有仿真基准的三大缺陷（sim2real 有差距、任务分布太窄、训练评测不分家导致刷榜），提出三条原则——faithfulness / diversity / fairness。做法：把仿真视觉与物理按真机逐项校准（StablePD + CMA-ES 标定控制增益，末端轨迹毫米级对齐），让只用真机数据训练的模型在仿真里测出的成绩与真机成绩达到 0.84 线性相关（纯通用任务上 0.96/0.99）；任务覆盖 10 个能力维度、44 个层级化长程任务（38 桌面 + 3 移动 + 3 挑战），每个任务表示成可执行的 Task DAG——成功判定、帧级子任务标注、10 分制 progress 打分、失败归因全由同一张图驱动；三轴正交域随机化 + 严格训练/评测分离防作弊；底层是 YAML 物理 DSL 驱动的 Mana 仿真生态（agent 可闭环改任务、造数据），附带约 300 小时带帧级标注的仿真轨迹数据集。用这套考场评了 4 个通用 policy：最强者 ID 53.9% → OOD 34.3%；GPT-6-Astra 当 policy 拿 36.15% 但推理一次要 30 秒以上；12 层堆塔实验证明自动合成数据比遥操作数据更好训（3.75 vs 1.90 层）。逐张讲解全部 24 张图。