综述：从物理模拟器和世界模型学习具身智能

arXiv 25.07 2025 63.7 survey

TLDR

综述物理模拟器与世界模型在具身智能中的整合，弥合仿真与现实部署的差距。

评分理由

The paper provides a comprehensive review of two key technologies for embodied AI, but as a survey it lacks original experiments or real-world evaluations. Its strength lies in synthesizing recent advances, though it does not introduce new methods or datasets.

Read-first 评分解释

综合优先阅读分 63.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 42。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、实验、结果

主题相关性 42%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub、仓库

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：179。

关键词评分

world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

generative world model

interactive world model

video world model

深度分析

创新点

系统综述了通过整合物理模拟器和世界模型学习具身AI的最新进展
分析了物理模拟器和世界模型在增强自主性、适应性和泛化能力方面的互补作用
综合当前进展并识别具身AI系统的开放挑战
讨论了外部模拟与内部建模之间的相互作用以弥合仿真到现实的差距

方法

本综述系统回顾了关于具身智能的最新文献，重点关注物理模拟器和世界模型的整合。它分析了它们在机器人学习中的互补作用，讨论了外部模拟与内部建模之间的相互作用，并综合了进展同时识别了开放挑战。

关键结果

该综述强调物理模拟器和世界模型增强了智能机器人的自主性、适应性和泛化能力，并讨论了弥合模拟训练与现实部署之间差距的策略。

局限性

该综述未提供新的实验结果或定量比较
覆盖范围可能受限于该领域的快速演变性质以及所评述工作中潜在的选择偏差
开放挑战已被识别但未经过实证验证

资源

论文