提出VTAM(Video-Tactile Action Model),一种将触觉感知融入预训练视频世界模型的多模态框架,通过轻量级模态迁移微调和触觉正则化损失实现稳定多模态融合,在接触密集型操作任务中显著提升控制稳定性与成功率。
机构:UIUC
来源:arXiv 2603.23481 | AI4Papers 论文推荐平台