POD-RoPE：具身AI的物理观测分布位置编码

Xiaodi Huang 等作者提出 POD-RoPE 位置编码方法，把 token 的观测足迹表示为相机中心、视角与采样时间上的分布，用期望旋转编码分布间相对关系，并在分布退化为单点时还原为逐点 RoPE。 作者称，将 POD-RoPE 集成进 Fast-WAM 后，RoboTwin 2.0 全部 50 项任务的平均成功率从 91.83% 提升到 92.88%，Sharpa North 上的两项真机任务从 32.5% 提升到 52.5%。在 H20 模型块基准中，该方法前向加反向的中位加速为 P-RoPE 的 1.91 倍、RayRoPE 的 5.34 倍，相对标准 RoPE 的中位延迟开销为 17.4%。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。