**Dream4ACT:基于共享视觉动作接口的多具身视频-动作建模** _Dream4ACT: A Shared Visual Action Interfac
原帖
**Dream4ACT:基于共享视觉动作接口的多具身视频-动作建模**
_Dream4ACT: A Shared Visual Action Interface for Multi-Embodiment Video-Action Modeling_
> Dream4ACT 提出一种用于多具身视频-动作建模的世界模型,通过引入基于 URDF 正向运动学的“动作视图”作为共享视觉动作接口,统一不同具身形态的动作表示。该模型利用视频自编码器和扩散 Transformer,结合掩码流匹配技术,在单一模型中支持前向动力学、逆向动力学及联合观测-动作生成。实验显示,Dream4ACT 在 RoboTwin 2.0 上取得 88.98% 的平均成功率,在 TriWorldBench 上得分 65.66,有效支持闭环操作及动作条件多视图预测。
**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-05 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.40153)