Newest papers

PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models

Yude Zou, Yifei Yao, Guanbo Jiao, Jianming Ma, Guanjie Zheng, Xing Gao · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26813 · open-access PDF

Russian

Всемирные модели действий (WAM) совместно предсказывают будущее видео и генерируют действия, но остаются чувствительными к визуальным нарушениям, не относящимся к задачам, т.е. изменениям в визуальном облике, которые не должны влиять на поведение роботов. Мы идентифицируем разрыв в традиционном обучении WAM: видеопрогнозирование поощряет представления для сохранения информации о появлении, в то время как генерирование действий не эксплицитно навязывает неизменность внешнему виду, не относящемуся к задачам.

Machine translation (Meta M2M100); the English original follows.

Abstract

World Action Models (WAMs) jointly predict future video and generate actions, yet remain sensitive to task-irrelevant visual perturbations, i.e., changes in visual appearance that should not affect robot behavior. We identify a gap in conventional WAM training: video prediction encourages representations to preserve appearance information, while action generation does not explicitly enforce invariance to task-irrelevant appearance. Data augmentation exposes WAMs to such perturbations but does not require perturbed and nominal observations to produce consistent action representations, and align

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange