ACoT-VLA-WM

ACoT-VLA-WM 是一个面向长时序机器人操作的视觉-语言-动作（VLA）框架，通过融合预测性世界模型（Predictive World Model）生成多视角视觉子目标，提升机械臂在高精度、长视野任务中的执行准确率与鲁棒性。其核心技术包括基于BAGEL的世界模型微调、混合子目标采样策略（真实帧与预测帧协同训练），以及端到端的视觉子目标嵌入机制。项目在工业级操作任务（如扫码、精密装配）中实现100%成功率，适用于需要强容错性与物理一致性的机器人仿真训练、真实场景部署及VLA模型研究。