**Grounded Action Model：以 3D 定位为基石的机器人基础模型新范式**

_Grounded Action Model: 3D Grounding as a Foundation for Robotics_

> 论文提出 Grounded Action Models（GAM），将 3D grounding 作为机器人基础模型的核心，弥补现有 VLA 与世界动作模型依赖隐式学习物体定位的不足。GAM 支持语言、点、框三类提示，先转为以目标物体为中心的共享表示（融合目标视觉特征与度量几何），再与机器人状态历史经多流 Transformer 混合以预测动作块；既可自主运行，也可作为高层规划器控制的底层控制器，支持长时程与依赖记忆的操作。在 RoboTwin 2.0 的 50 项任务上平均成功率 55.3%（Spatial Forcing 52.0%），场景随机化下 47.6%（Abot-M0 30.4%），且动作策略仅用干净场景演示训练；LIBERO-PRO 16 种扰动设置下平均成功率 61%（π0.5 为 53%），目标移动或新指定时提升最大。真机上，双臂 YAM 在视觉偏移下保持 17/20 成功（π0.5 仅 4/20）；与 Molmo2 规划器组合后在 Franka 长时程、依赖记忆任务上取得 64.7% ID 与 49.8% OOD 步骤完成率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.23863)