Action Images：通过多视图视频生成的端到端策略学习

世界动作模型（WAMs）已成为机器人策略学习的一个充满前景的方向，因为它们可以利用强大的视频骨干网来建模未来状态。然而，现有方法通常依赖独立的动作模块，或使用非像素落地的动作表示，这使得难以充分利用视频模型的预训练知识，并限制了跨视角和跨环境的迁移。在这项工作中，我们展示了 Action Images，一个将策略学习形式化为多视角视频生成的统一世界动作模型。我们没有将控制编码为低维 token，而是将 7 自由度机器人动作转化为可解释的“动作图像”：即根植于 2D 像素并明确追踪机械臂运动的多视角动作视频。这种像素落地的动作表示允许视频骨干网本身充当零样本策略，而无需单独的策略头或动作模块。除控制外，同一个统一模型还支持在共享表示下进行视频-动作联合生成、动作条件视频生成和动作标注。在 RLBench 和现实世界评估中，我们的模型实现了最强的零样本成功率，并提高了相比先前视频空间世界模型的视频-动作联合生成质量，这表明可解释的动作图像是策略学习的一条可行路径。