Ctrl-World：一种用于机器人操作的可控生成世界模型

arXiv 25.10 2025 71.1 method, application

TLDR

一种可控多视角生成世界模型，通过长时程一致的想象实现机器人策略评估与改进。

评分理由

The paper addresses a key challenge in building controllable world models for generalist robot policies, using a large real-world dataset and achieving long-horizon consistency. However, the abstract is cut off, and potential limitations include reliance on a single dataset and lack of real-world deployment validation.

Read-first 评分解释

综合优先阅读分 71.1，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 62。

主题相关性 42%

88.6

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

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：数据集、评估

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：数据集

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：174。

关键词评分

world model

generative world model

interactive world model

video world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

用于评估和改进通用机器人策略的可控多视角世界模型
用于长时程一致性的姿态条件记忆检索机制
用于精确动作控制的帧级动作条件

方法

该模型在DROID数据集（95k轨迹，564个场景）上训练，生成空间和时间一致的轨迹，持续超过20秒。它使用姿态条件记忆检索机制保持长时程一致性，并通过帧级动作条件实现精确动作控制，从而支持与通用机器人策略的多步交互。

关键结果

该方法无需真实机器人部署即可准确排序策略性能，并通过在想象空间中合成成功轨迹进行监督微调，将策略成功率提升44.7%。

局限性

评估仅限于DROID数据集，可能无法覆盖所有真实场景
长时程一致性在超过20秒时得到验证，但更长的交互可能不支持
该方法需要大规模数据集（95k轨迹），且可能无法泛化到训练数据中未包含的新相机位置或场景

技术栈

DROID datasetpose-conditioned memory retrievalframe-level action conditioning

资源

论文