VTAM：无需触觉预训练的视觉-触觉世界-动作模型

研究者提出 VTAM，一种无需触觉或动作预训练的视觉-触觉世界-动作模型，用于接触密集型操作。它复用冻结的 video VAE 与预训练视频 Transformer 权重，在 4 个真实机器人任务上超越所有基线，在 8 个 UniVTAC 仿真任务上平均成功率超过所有无触觉预训练基线，并以 83.4% 对 84.5% 接近基于超 30K 小时数据预训练的 N0-TWAM。