Agile-WAM：面向接触丰富机器人控制的敏捷触觉世界行动模型

arXiv 论文提出 Agile-WAM，一种面向接触丰富机器人控制的触觉世界行动模型。它把视觉与触觉观测编码进共享 latent，并直接做视觉—触觉到动作的 flow-matching，同时生成动作块与未来视觉/触觉 latent。针对视觉帧间高度相似、触觉信号接触时突变的时间尺度差异，引入多时间跨度多模态预测。在 9 个仿真和 5 个真实接触丰富操作任务中，成功率超过最强基线，真实实验整体成功率相对提升 29.4%，并保持较低推理延迟。

此前的触觉世界行动模型多依赖大规模预训练生成式骨干来建模接触物理，推理效率和部署灵活性受限。该工作不再依赖大型生成骨干，而是用直接 flow-matching 与多时间跨度预测来压缩这一过程，在真实任务成功率与推理延迟上同时给出结果，说明触觉 WAM 正从“堆预训练规模”转向“按信号时间尺度设计”。

视觉相邻帧通常高度相似，而触觉在接触瞬间会突变，若用同一时间跨度预测两者，监督信号与真实动态不匹配。Agile-WAM 用共享 latent 承载视觉与触觉观测，再以 flow-matching 联合生成动作块和未来视觉/触觉 latent；对视觉 latent 采用更大的时间偏移做监督，对触觉 latent 则预测下一帧，从而分别匹配两种模态的变化速率，减少对大型生成骨干的依赖。

对机器人产品与研发而言，该方案提示触觉策略不必绑定大生成模型，可降低推理延迟和部署算力要求，更适合端侧或实时控制回路。多时间跨度预测为视觉与触觉数据采集和标注提供新设计依据，接触丰富任务（装配、插拔、抓取）的策略迭代可能更快，但真实收益仍需在自有任务上复现验证。

• 在自有接触丰富操作任务上复现 Agile-WAM，对比现有触觉策略的成功率与推理延迟，评估替换可行性。
• 针对装配、插拔等接触突变场景，按视觉大跨度、触觉下一帧的方式重新设计数据采集与监督。
• 将低延迟触觉策略作为端侧或实时控制模块的候选，测算算力与部署成本下降空间。

• 论文摘要未给出推理延迟的具体数值，仅在真实实验中给出 29.4% 的相对成功率提升。
• 九个仿真任务的类型分布、基线选择与消融结果在给定证据中不完整。
• 多时间跨度预测中各时间偏移的具体取值与调参敏感性未被证据说明。
• 该方法在非接触丰富任务或更长任务序列上的泛化能力尚未被证据确认。