SKIP：以稀疏关键帧插值加速具身世界模型

通过预测机器人行为如何影响周围场景，具身世界模型已成为机器人技术中一个有前途的范例。然而，轨迹预测推理在像素空间中的计算成本仍然很高，因为长视界操作视频通常必须逐帧生成。这种成本无法通过不加区别地丢弃帧来轻松降低，因为下游策略依赖于稀疏任务相关事件（例如接近、接触、抓取和释放）的完全保存。为了应对这一挑战，我们提出了稀疏关键帧插值范式（SKIP），这是一种事件保留的稀疏到密集框架，可以避免密集的逐帧生成。 SKIP 首先利用机器人感知的多模式功能来识别与任务相关的关键帧。然后，它仅使用稀疏视频扩散模型合成这些关键帧。随后，学习间隙预测器和动作条件插值器根据机器人动作重建缺失的间隔。在 LIBERO 上，SKIP 生成密集预测轨迹的速度比密集基线快 4.16 倍，同时提高了视觉保真度并将总 FVD 减少了 89.0%。重要的是，SKIP 生成的视频是有效的政策训练数据。即使它们完全取代了真实的演示，在 LIBERO 模拟中，$π_{0.5}$ 的成功率也仅下降了 $1.3$ pp，在真实机器人上仅下降了 $6.7$ pp，而完全密集的逐帧生成则下降了 $48$ 至 $58$ pp。