Install
openclaw skills install awar-maintenance机器人世界模型与动作模型（WAM）技术仓库维护Skill；支持搜集、分析、分类并生成图文并茂的AWAR仓库文档；包含科普介绍、深度技术分析、快速上手指南；当用户需要构建机器人AI领域技术仓库或研究VLA/RT-2/Dreamer等前沿工作时使用
机器人世界模型与动作模型（WAM）技术仓库维护Skill；支持搜集、分析、分类并生成图文并茂的AWAR仓库文档；包含科普介绍、深度技术分析、快速上手指南；当用户需要构建机器人AI领域技术仓库或研究VLA/RT-2/Dreamer等前沿工作时使用
Audits
PendingAWAR 仓库维护
Awesome World-Action-Robotics - 机器人世界模型与动作模型技术全景图
仓库定位
AWAR (Awesome World-Action-Robotics) 是一个专注于机器人领域**世界模型（World Models）与动作模型（Action Models）**的技术仓库。目标是：
- 科普价值: 让研究者快速入门 WAM 领域
- 技术深度: 提供深度算法解析与横向对比
- 实用导向: 每个项目包含快速上手指南与实操建议
什么是 World-Action Model？
核心概念
World Model (世界模型) 是智能体对环境动态的内部表征与预测系统。类比人类：当你伸手去拿水杯时，你的大脑会预测杯子会被拿起、倾斜、水会流出——这就是隐式世界模型的作用。
感知输入 → 世界模型 → 环境预测 / 动作输出
↑___________↓ ↑___________↓
(闭环反馈) (执行反馈)
Action Model (动作模型) 是将决策转化为具体执行动作的策略系统。它接收世界模型的预测作为输入，输出机器人各关节的控制指令。
为什么重要？
| 传统方法 | WAM 方法 |
|---|---|
| 手工设计奖励函数 | 隐式学习环境动态 |
| 短程规划（<10步） | 长程预测（100+步） |
| 单任务专用 | 跨任务泛化 |
| 仿真难以迁移 | 物理一致性建模 |
仓库结构
Awesome-World-Action-Robotics/
├── README.md # 主入口
├── assets/ # 静态资源
│ ├── getting_started.md # 入门指南
│ ├── overview.png # 领域全景图
│ └── benchmark_table.md # 性能对比总表
├── FOUNDATIONAL_WAMS.md # 基础大模型（RT-2, OpenVLA, Pi0...）
├── PREDICTIVE_DYNAMICS.md # 预测动力学（Dreamer, GAIA...）
├── SIMULATION_REAL2SIM.md # 仿真与Sim2Real
└── ACTION_CONTROLLERS.md # 动作控制器（ACT, Diffusion Policy...）
工作流程
Phase 1: 探索与发现
检索策略 - 使用以下关键词组合进行系统性搜索：
# 核心检索词
"World Models for Robotics" "Vision-Language-Action" "VLA Robot"
"Generative World Models" "Predictive Dynamics" "Action Chunking"
# 进阶检索词
"Diffusion Policy Robot" "Robot Foundation Model" "Sim-to-Real"
"Joint Embedding Predictive Architecture" "Latent World Model"
发现来源优先级:
- arXiv (cs.RO, cs.LG, cs.AI) - 最新 preprint
- GitHub Trending - 社区活跃度
- 顶会论文 (CoRL, RSS, ICRA, NeurIPS, ICLR) - 质量保证
- 机构博客 (DeepMind, OpenAI, Stanford, MIT) - 深度解读
Phase 2: 深度解构
按四维度框架分析每个项目，详见 references/awareness_analysis_framework.md。
四维度分析:
| 维度 | 关键问题 | 输出 |
|---|---|---|
| 核心范式 | JEPA / RSSM / Diffusion / Transformer? | 架构分类与创新点 |
| 状态表征 | Pixel / Latent / PointCloud? | 表征方式与效率 |
| 动作集成 | Chunking / Diffusion / Tokenization? | 动作生成机制 |
| 物理一致性 | 闭环支持 / 长程稳定 / Sim2Real? | 可靠性评估 |
Phase 3: 分类归档
根据 references/classification_standard.md 确定分类：
Foundational WAMs → 基础大模型层
Predictive Dynamics → 环境预测层
Simulation & Real2Sim → 仿真数据层
Action Controllers → 动作执行层
Phase 4: 文档生成
按 references/output_template.md 生成标准化文档，必须包含：
- 核心创新（算法突破点）
- 架构图（项目结构/流程图）
- Quick Start（3步上手指南）
- Benchmark 数据（性能指标）
- 开发者评估（配置难度/硬件适配）
文档质量标准
最低要求
每个项目文档必须包含：
- 一句话核心价值定位
- 架构图或流程图（使用
assets/中的模板） - 快速上手代码片段（3-5行核心调用）
- 至少一个 Benchmark 数据点
推荐做法
- 嵌入项目官方 Demo 视频链接
- 提供竞品对比表格
- 标注关键技术局限
- 添加中文注释（降低入门门槛）
禁止事项
- 禁止使用"令人惊叹"、"突破性"等主观词汇
- 禁止仅列名称无实质分析
- 禁止直接复制论文摘要（需改写为技术要点）
- 禁止缺失 Benchmark 数值
参考资源索引
| 资源 | 用途 |
|---|---|
| references/getting_started.md | 领域入门、概念解释、学习路径 |
| references/awareness_analysis_framework.md | 深度技术分析协议 |
| references/classification_standard.md | 分类标准与边界定义 |
| references/output_template.md | 文档输出模板与示例 |
| assets/ | 架构图模板、徽章样式 |
维护规则
去重机制
- 同名项目: 保留信息最完整、最新的记录
- 命名变体: 建立别名映射（如 RT-2 = Robotic Transformer 2）
- 近似项目: 分析核心差异点，选择性合并或并列
更新机制
- 发现新版本: 更新版本号、发布日期、Benchmark
- 发现新论文: 按发布日期归档，补充对比分析
- 发现停更: 添加 "Last Update" 标记与替代方案
贡献规范
- 每个 PR 必须包含至少一个项目的完整文档
- 新增项目需说明分类依据
- 修改现有项目需保持格式一致