机器人操作的两条路线之争!全面对比,WAMs是否比VLAs的泛化能力更强?
在机器人具身操作领域,如何在复杂多变的真实环境中保持稳定操作是技术落地的关键。当前主流技术路线主要分为视觉-语言-动作模型(VLA)与世界动作模型(WAM)。VLA基于图文多模态大模型,将观测与指令直接映射为动作,具备推理速度快、工程链成熟的优势,但对未见环境扰动的鲁棒性不足。WAM则基于视频生成式世界模型,通过学习海量视频中的时空演化规律来预测未来状态,理论上具备更强的物理理解与泛化能力,但推理开销大。华为与多伦多大学联合发布的研究论文,首次在统一基准与评估协议下,对这两条路线进行了全面对比,揭示了它们在真实干扰环境下的性能边界与内在机理。
01技术路线对比:VLA与WAM的核心差异
核心技术架构对比
VLA:静态语义映射
基于图文多模态大模型,直接将视觉观测与语言指令映射为机器人动作
依赖大量机器人演示数据,通过数据覆盖实现泛化
推理流程简单高效,工程链成熟,适合实时控制场景


WAM:动态物理预测
基于视频生成式世界模型,学习海量视频中的时空演化规律
能够“预测未来状态”,依靠物理规律预测实现泛化
通过未来状态去噪生成动作,推理步骤多,计算成本较高
02实验数据与成功率分析
研究在RoboTwin 2.0-Plus(双臂任务)和LIBERO-Plus(单臂任务)两个基准上,统一施加了光照变化、图像噪声、背景杂乱等7大类共21项扰动,模拟真实工业与家庭场景。实验结果显示,不同类型的扰动对两类模型的影响差异显著。
| 任务场景 | 模型类型 | 代表模型 | 成功率 |
|---|---|---|---|
| RoboTwin 2.0-Plus (双臂) | WAM | LingBot-VA | 74.2% |
| RoboTwin 2.0-Plus (双臂) | VLA | OpenVLA | 58.6% |
| LIBERO-Plus (单臂) | WAM | Cosmos-Policy | 82.2% |
| LIBERO-Plus (单臂) | VLA | OpenVLA | 85.7% |
不同模型在基准测试中的成功率对比
03鲁棒性与性能边界
在视觉外观类扰动(如光照、背景杂乱)下,WAM表现明显优于普通VLA。这是因为WAM从海量视频中学习到了时空动态先验,能在外观变化时抓住物体与场景的本质结构。然而,当扰动来自相机视角大幅变化或机器人初始关节姿态改变时,WAM的鲁棒性显著下降,甚至低于部分VLA模型。这表明视频预训练主要学习动态外观,难以覆盖相机几何与运动学结构等本体配置变化。值得注意的是,经典的VLA模型OpenVLA虽然未使用世界模型结构,但依靠大规模多源数据训练,在LIBERO-Plus上达到了85.7%的最高成功率,证明显式世界建模并非鲁棒性的唯一来源。
- 视觉干扰场景:WAM凭借时空动态先验占据优势,成功率普遍高于普通VLA。
- 几何与本体变化:VLA表现更稳健,WAM因缺乏几何结构理解而性能下滑。
- 混合架构潜力:引入世界模型辅助任务的混合架构(如VLA-JEPA)优于普通VLA,但低于纯WAM,说明先验融合效率是关键。
04落地成本与选型建议
推理速度是制约技术落地的重要因素。以OpenVLA(63ms/动作块)为基准,WAM由于需要多次迭代去噪以提升预测准确性,导致延迟随鲁棒性需求增加而显著上升。这种高计算成本使得WAM在需要高频、实时控制的场景中难以直接部署。
技术选型建议
优先选择 VLA
适用于对实时性要求高、数据充足的场景
- 需要高频、实时控制的工业现场
- 拥有大规模、多样化机器人演示数据
- 主要面临相机或本体几何配置变化的场景
优先选择 WAM
适用于视觉干扰复杂、数据稀缺的场景
- 光照变化剧烈、背景杂乱的非结构化环境
- 缺乏足够的机器人演示数据,依赖泛化能力
- 对推理速度要求不高,更看重任务完成率的场景
当前文章无评论,是时候发表评论了