Act2Goal：从世界模型到通用目标条件策略

arXiv 25.12 2025 57.2 method, application

TLDR

Act2Goal结合目标条件视觉世界模型与多尺度时间控制，实现长时域机器人操作，零样本泛化与在线自适应。

评分理由

The paper presents a novel integration of a world model for generating intermediate visual states and a multi-scale temporal hashing mechanism for robust execution. Strengths include real-robot experiments and zero-shot generalization; weaknesses are that the abstract is cut off, limiting full assessment of results and limitations.

Read-first 评分解释

综合优先阅读分 57.2，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 47。

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

主题相关性 42%

67.1

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

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：实验

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

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：375。

关键词评分

world model

generative world model

world dynamics prediction

video world model

model-based reinforcement learning world model

world simulator

interactive world model

深度分析

创新点

将目标条件视觉世界模型与多尺度时间控制相结合，用于长时域操作
多尺度时间哈希（MSTH），将想象轨迹分解为用于细粒度闭环控制的密集近端帧和用于全局任务一致性的稀疏远端帧
端到端交叉注意力机制，将视觉表示与电机控制耦合，实现连贯的长时域行为
通过后见目标重标记与基于LoRA的微调实现无奖励在线自适应，无需外部监督即可快速自主改进

方法

Act2Goal使用目标条件视觉世界模型从当前观测到目标视觉目标生成合理的中间视觉状态序列。多尺度时间哈希（MSTH）将该想象轨迹分解为用于细粒度闭环控制的密集近端帧和用于全局任务一致性的稀疏远端帧。然后，策略通过端到端交叉注意力将这些表示与电机控制耦合，实现连贯的长时域行为，同时保持对局部扰动的响应性。该方法还通过后见目标重标记与基于LoRA的微调实现无奖励在线自适应。

关键结果

在真实机器人实验中，Act2Goal在具有挑战性的分布外任务上，通过数分钟自主交互将成功率从30%提升至90%，展示了在新型物体、空间布局和环境上的强大零样本泛化能力。

资源

论文