WB-WAM：面向人形 loco-manipulation 的异构身体-手部预训练

人形 loco-manipulation 要求身体与手部行为协调一致，而传统机器人预训练数据对这类全身运动的覆盖有限。我们提出 WB-WAM，一种 World Action Model，将显式的全身动作监督引入生成式视频预训练。一个共享的 physical action space 整合了来自异构来源的身体、躯干根部与灵巧手标注，使模型能够从 1880.2 小时的部分标注视频与运动数据中进行视频与动作的联合学习。

所得先验通过 PICO mid-training 进一步精炼，并借助辅助的正向运动学监督适配到机器人任务。我们构建 WB-Datasets 支持上述阶段，包含重定向的第一人称人类演示与机器人轨迹，从而让任务对齐的人类动作补充有限的机器人数据。仿真评估中，WB-WAM 在 HumanoidArena 上取得 81.9% 的全身任务成功率；真实世界实验在 5 项任务上平均成功率达 84.0%，进一步验证了该方法。

此外，任务对齐的 PICO mid-training 能够提升下游任务表现，同时减少对真实机器人演示的需求。这些结果支持异构全身预训练与人体动作迁移，是实现数据高效的人形 loco-manipulation 的一条可行路径。