Tags: #latent action

精读 LaWAM：把 Latent Action Model 的前向解码器复用为 Latent World Model，在 DINOv3 特征空间预测动作相关的未来视觉子目标，兼顾动力学预见与低延迟控制。

精读 villa-X：用 proprioceptive FDM 让 latent action 对齐机器人动力学，再以 joint diffusion 联合规划 latent action 与低层动作，实现跨 embodiment 的 VLA 迁移。

精读 LAPA：用 VQ-VAE 从相邻视频帧学习离散 latent action，再让 VLM 预测它，最后用少量机器人动作标签完成真实控制映射。

精读 CLAP：用 Act-VAE 建立物理动作词表，再以 VD-VAE 对齐人类视频，训练 CLAP-NTP，并用 CLAP-RF 与 Knowledge Matching 实现快速控制。