面向3D机器人模仿学习的数据不对称潜在想象与重排序

arXiv 2026 48.9 method, application

TLDR

DALI-R利用潜在世界模型和重排序，从混合质量轨迹中提升3D机器人模仿学习，成功率提高6.8%。

评分理由

The paper introduces a novel framework that leverages a latent world model for imagined rollouts and a task completion scorer for reranking, effectively using suboptimal demonstrations. Strengths include clear methodology and empirical gains on two benchmarks, but weaknesses are limited evaluation to simulated environments and modest inference overhead.

Read-first 评分解释

综合优先阅读分 48.9，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 34。

近期性 6%

100

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：2026

引用影响力 18%

72.7

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.7268605

方法质量 18%

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：基准、指标

主题相关性 29%

48.6

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

可复现性 18%

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：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：260。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

面向混合质量轨迹的3D机器人模仿学习的数据不对称潜在想象与重排序（DALI-R）框架
基于3D点云的潜在世界模型用于想象 rollout
对候选动作块进行重排序的任务完成评分器
与扩散策略和高效流匹配策略的集成

方法

DALI-R学习一个基于3D点云的潜在世界模型以生成想象 rollout，并训练一个任务完成评分器来重排序候选动作块。该方法在扩散策略和流匹配策略上实例化，并在Adroit和MetaWorld基准上评估。

关键结果

在两种3D基础策略上，DALI-R平均提升6.8%的成功率，同时推理开销增加不到0.7倍。

技术栈

3D点云潜在世界模型扩散策略流匹配策略

资源

论文