--- name: awar-maintenance description: 机器人世界模型与动作模型（WAM）技术仓库维护Skill；支持搜集、分析、分类并生成图文并茂的AWAR仓库文档；包含科普介绍、深度技术分析、快速上手指南；当用户需要构建机器人AI领域技术仓库或研究VLA/RT-2/Dreamer等前沿工作时使用 --- # AWAR 仓库维护 > Awesome World-Action-Robotics - 机器人世界模型与动作模型技术全景图 ## 仓库定位 AWAR (Awesome World-Action-Robotics) 是一个专注于机器人领域**世界模型（World Models）**与**动作模型（Action Models）**的技术仓库。目标是： - **科普价值**: 让研究者快速入门 WAM 领域 - **技术深度**: 提供深度算法解析与横向对比 - **实用导向**: 每个项目包含快速上手指南与实操建议 --- ## 什么是 World-Action Model？ ### 核心概念 **World Model (世界模型)** 是智能体对环境动态的内部表征与预测系统。类比人类：当你伸手去拿水杯时，你的大脑会预测杯子会被拿起、倾斜、水会流出——这就是隐式世界模型的作用。 ``` 感知输入 → 世界模型 → 环境预测 / 动作输出 ↑___________↓ ↑___________↓ (闭环反馈) (执行反馈) ``` **Action Model (动作模型)** 是将决策转化为具体执行动作的策略系统。它接收世界模型的预测作为输入，输出机器人各关节的控制指令。 ### 为什么重要？ | 传统方法 | WAM 方法 | |----------|----------| | 手工设计奖励函数 | 隐式学习环境动态 | | 短程规划（<10步） | 长程预测（100+步） | | 单任务专用 | 跨任务泛化 | | 仿真难以迁移 | 物理一致性建模 | --- ## 仓库结构 ``` Awesome-World-Action-Robotics/ ├── README.md # 主入口 ├── assets/ # 静态资源 │ ├── getting_started.md # 入门指南 │ ├── overview.png # 领域全景图 │ └── benchmark_table.md # 性能对比总表 ├── FOUNDATIONAL_WAMS.md # 基础大模型（RT-2, OpenVLA, Pi0...） ├── PREDICTIVE_DYNAMICS.md # 预测动力学（Dreamer, GAIA...） ├── SIMULATION_REAL2SIM.md # 仿真与Sim2Real └── ACTION_CONTROLLERS.md # 动作控制器（ACT, Diffusion Policy...） ``` --- ## 工作流程 ### Phase 1: 探索与发现 **检索策略** - 使用以下关键词组合进行系统性搜索： ``` # 核心检索词 "World Models for Robotics" "Vision-Language-Action" "VLA Robot" "Generative World Models" "Predictive Dynamics" "Action Chunking" # 进阶检索词 "Diffusion Policy Robot" "Robot Foundation Model" "Sim-to-Real" "Joint Embedding Predictive Architecture" "Latent World Model" ``` **发现来源优先级**: 1. arXiv (cs.RO, cs.LG, cs.AI) - 最新 preprint 2. GitHub Trending - 社区活跃度 3. 顶会论文 (CoRL, RSS, ICRA, NeurIPS, ICLR) - 质量保证 4. 机构博客 (DeepMind, OpenAI, Stanford, MIT) - 深度解读 ### Phase 2: 深度解构 按四维度框架分析每个项目，详见 [references/awareness_analysis_framework.md](references/awareness_analysis_framework.md)。 **四维度分析**: | 维度 | 关键问题 | 输出 | |------|----------|------| | **核心范式** | JEPA / RSSM / Diffusion / Transformer? | 架构分类与创新点 | | **状态表征** | Pixel / Latent / PointCloud? | 表征方式与效率 | | **动作集成** | Chunking / Diffusion / Tokenization? | 动作生成机制 | | **物理一致性** | 闭环支持 / 长程稳定 / Sim2Real? | 可靠性评估 | ### Phase 3: 分类归档 根据 [references/classification_standard.md](references/classification_standard.md) 确定分类： ``` Foundational WAMs → 基础大模型层 Predictive Dynamics → 环境预测层 Simulation & Real2Sim → 仿真数据层 Action Controllers → 动作执行层 ``` ### Phase 4: 文档生成 按 [references/output_template.md](references/output_template.md) 生成标准化文档，必须包含： - [x] 核心创新（算法突破点） - [x] 架构图（项目结构/流程图） - [x] Quick Start（3步上手指南） - [x] Benchmark 数据（性能指标） - [x] 开发者评估（配置难度/硬件适配） --- ## 文档质量标准 ### 最低要求 每个项目文档必须包含： - 一句话核心价值定位 - 架构图或流程图（使用 `assets/` 中的模板） - 快速上手代码片段（3-5行核心调用） - 至少一个 Benchmark 数据点 ### 推荐做法 - 嵌入项目官方 Demo 视频链接 - 提供竞品对比表格 - 标注关键技术局限 - 添加中文注释（降低入门门槛） ### 禁止事项 - 禁止使用"令人惊叹"、"突破性"等主观词汇 - 禁止仅列名称无实质分析 - 禁止直接复制论文摘要（需改写为技术要点） - 禁止缺失 Benchmark 数值 --- ## 参考资源索引 | 资源 | 用途 | |------|------| | [references/getting_started.md](references/getting_started.md) | 领域入门、概念解释、学习路径 | | [references/awareness_analysis_framework.md](references/awareness_analysis_framework.md) | 深度技术分析协议 | | [references/classification_standard.md](references/classification_standard.md) | 分类标准与边界定义 | | [references/output_template.md](references/output_template.md) | 文档输出模板与示例 | | [assets/](assets/) | 架构图模板、徽章样式 | --- ## 维护规则 ### 去重机制 - **同名项目**: 保留信息最完整、最新的记录 - **命名变体**: 建立别名映射（如 RT-2 = Robotic Transformer 2） - **近似项目**: 分析核心差异点，选择性合并或并列 ### 更新机制 - 发现新版本: 更新版本号、发布日期、Benchmark - 发现新论文: 按发布日期归档，补充对比分析 - 发现停更: 添加 "Last Update" 标记与替代方案 ### 贡献规范 - 每个 PR 必须包含至少一个项目的完整文档 - 新增项目需说明分类依据 - 修改现有项目需保持格式一致