TS-WAM：用于视觉-语言机器人控制的时序潜在动作与世界-动作耦合

基于摘要分析。TS-WAM 面向视觉-语言机器人控制，试图缓解策略对带动作标注的机器人示范的依赖，以及缺乏显式未来视觉状态预测的问题。其核心贡献是将自监督时序表征学习、视觉动态预测与机器人控制纳入统一的端到端训练，并利用无动作标注的人类视频参与学习。 机制上，Teacher-Student World-Action Model 中的 vlm-jepa 使用 EMA 目标分支，从机器人示范与无动作标注的人类视频等异构数据中学习，无需另行训练外部教师。它与 delta-lwm 耦合，根据当前观测和指令预测潜在动作，再以潜在动作预测未来视觉特征，并在推理时用这些特征引导动作生成。作者称，该流程不需要独立的潜在动作或世界模型预训练阶段；EMA 目标分支在推理时移除。摘要未给出具体损失形式、时序跨度、数据混合比例或部署开销，轻量化程度尚待核对。 作者报告，在 LIBERO、LIBERO-Plus、SimplerEnv，以及 Franka Research 3 和 RevoTron 的真实机器人操作实验中，TS-WAM 表现出较强的操作能力、泛化性与鲁棒性。但摘要未提供具体任务划分、对照基线、指标和数值，因此无法量化提升，也不能判断各模块的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在时序状态预测机制可作为 EEG 自监督表征学习的研究假设，但原任务依赖视觉序列、语言指令及机器人动作监督，不能直接等同于 BCI 解码。可考虑复用 EMA 目标与未来特征预测思路，重新设计 EEG 时序编码和监督目标；低信噪比、跨被试与通道差异可能使模型主要预测背景变化而非任务信息。一个小规模可证伪实验是在固定 EEG 数据划分、编码器和训练预算下，对比加入与不加入未来特征预测的跨被试解码表现。此建议并非本文已验证结果，相关 EEG 工作尚未检索确认。