从监督式玩耍中习得灵巧操作

arXiv 2026 34.8 method

TLDR

DSP从人类玩耍中学习策略，自动收集数据训练世界模型并引导MPC，在真实实验中显著超越基线。

评分理由

Strong empirical evaluation in simulation and real world with clear gains over hindsight behavior cloning and data-efficiency gains over RL. Weakness: limited detail in abstract about world model architecture and generalization; no discussion of failure cases.

Read-first 评分解释

综合优先阅读分 34.8，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 39。

近期性 5%

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

方法质量 15%

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：评估、实验、结果

主题相关性 25%

55.7

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 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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。引用数：0

引用速度 10%

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：292。

关键词评分

world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

generative world model

video world model

深度分析

创新点

DSP框架通过行为克隆从几分钟的人类玩耍中学习玩耍策略，并用其自主收集数小时的交互数据以训练世界模型。
学到的玩耍策略通过提出候选动作序列，在学到的世界模型下进行评估，从而引导模型预测控制（MPC）。
一种在学到的世界模型内通过自博弈蒸馏出闭环、目标条件策略的方法。
展示了监督玩耍能够在无需任务特定演示或sim-to-real迁移的情况下实现灵巧操作。

方法

DSP通过行为克隆从几分钟的人类玩耍中训练玩耍策略，然后自主部署以收集数小时交互数据来训练世界模型。推理时，玩耍策略在学到的世界模型下为模型预测控制提出候选动作序列，并在世界模型内通过自博弈蒸馏出目标条件策略。该框架在仿真和真实世界中，使用多指灵巧手在欠驱动推动和任意到任意手内姿态重定向任务上进行了评估。

关键结果

在真实世界实验中，DSP的成功率比hindsight behavior cloning高69.6%，并且仅使用强化学习所需交互数据的1/490即取得了与之相当的成功率。

资源

论文