MAWAM

MAWAM passt GR00T 2 für koordinierte Manipulation an. Agentenübergreifende Aufmerksamkeit sagt Kamerabilder und Aktionsblöcke gemeinsam voraus. Jeder Roboter behält seine eigene Steuerschnittstelle. Die Autoren testeten zwei reale Galaxea R1 Pro und zwei bis vier simulierte Panda-Arme.

Vollständige Modellbeschreibung ansehen

Publikationen (1)

MAWAM: Ein Multiagenten-Welt-Aktionsmodell für koordinierte Manipulation

Fachartikel verfügbar

MAWAM: A Multi-Agent World-Action Model for Coordinated Manipulation

arXiv: 2611.25105DOI: 10.48550/arxiv.2611.25105
Autoren und Einrichtungen (13)

Autorenreihenfolge: Originalreihenfolge

  1. Xianzhe Fan

    NVIDIA · The University of Hong Kong

  2. Chi-Pin Huang

    NVIDIA

  3. Fu-En Yang

    NVIDIA

  4. Jing Wang

    NVIDIA

  5. Yecheng Wu

    NVIDIA · MIT

  6. Yu-Cheng Chou

    NVIDIA

  7. Johan Bjorck

    NVIDIA

  8. Linxi “Jim” Fan

    NVIDIA

  9. Jan Kautz

    NVIDIA

Erstveröffentlichung
2026-11-20
Neueste Revision
v1
Konferenz / Zeitschrift
Nicht angegeben

Abgedeckte Modellversionen

Zugang und Nutzung

Der Trainingscode dieser Version ist unbestätigt. Öffentliche Code-Ressourcen belegen nicht die Verfügbarkeit der genauen Trainingsimplementierung. Prüfhinweise ansehen

Trainings- / Fine-Tuning-Code

QuelleGeprüft am · 2026-11-20

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-20

Vor der Bereitstellung prüfen

Verfügbare Gewichte oder Code belegen keine sofortige Roboterkompatibilität. Prüfen Sie Konfiguration, Daten und Schnittstellen in der Quelldokumentation.

Unterlagen zu Bereitstellung und Nutzung

Inferenzmodus
Synchrone Regelung mit gleitendem Horizont: 8 von 24 Schritten ausführen und neu planen. 15 Hz bei Galaxea R1 Pro, 20 Hz in RoboFactory.
Anforderungen an die Feinabstimmung
Erst Anpassung an Kameras und Steuerung eines Einzelroboters, dann gemeinsames Training mit synchronisierten Demonstrationen. RoboFactory nutzt 150 Demonstrationen je Aufgabe.

Architektur und Ein-/Ausgaben

Modelltyp
Aktionspolicy
Architektur
WAM · Transformer
Backbone
NVIDIA GR00T 2
Aktionsgenerierung
Flow Matching
Eingabe
Sprache / RGB-Bilder / Roboterzustand / Video
Ausgabe
Galaxea R1 Pro gibt je Arm relative Endeffektorposition, Quaternion und Greiferöffnung aus, je Roboter 16 Dimensionen. Simulierter Panda: 17 Dimensionen je Arm.

Einsatzbereich und Training

ee_pose · continuous

16 DoF · horizon 24 · relative

Ausgabe

Aktionen / Video

Vorhersageausgabe

24 Aktionsschritte je Roboter und acht Folgebilder je privater Perspektive, ein Bild alle drei Steuerschritte

Roboterform

Zweiarmplattform / Roboterarm

Aufgabenumfang

Mehrere Aufgaben

Training

Imitationslernen / Überwachtes Fine-Tuning

Abstammung

Feinabgestimmt von: GR00T · GR00T 2 ↗

Verwandte Roboter

Evaluationsergebnisse

Keine verifizierten unabhängigen Evaluationen für diese Version oder die ausgewählten Gewichte erfasst.

Alle Parameter und Prüfhinweise (Modellkarte)

Eingaben sind Sprachanweisung, Kameraverlauf, Roboterzustand, Robotermetadaten, Rollen und Kamerazugehörigkeit. In der Simulation kann eine gemeinsame Kamera als schreibgeschützter Kontext dienen. Das Modell prognostiziert 24 Aktionsschritte je Roboter und acht Folgebilder je privater Perspektive. Das Team führt acht Schritte synchron aus und plant neu. Die Autoren berichten 67,8 % über drei reale Aufgaben mit je 30 Versuchen und 90,3 % über acht RoboFactory-Aufgaben mit je 100 Episoden. Tabelle 9 nennt 2,76 Mrd. trainierbare Parameter ohne eingefrorenes Cosmos-Reason1 und Video-VAE.

Quelle oder Korrektur einreichen