通过分离前向和逆向动力学预训练实现解耦的机器人学习

arXiv 2026 39 method, application

TLDR

DeFI解耦前向与逆向动力学预训练，分别用于视频预测和潜在动作推断，在基准和真实任务上达到最优。

评分理由

The paper presents a novel framework that separates visual forward dynamics (video prediction) and inverse dynamics (action inference) to leverage action-free videos, showing strong empirical results. However, the abstract does not detail limitations or comparisons to other world model approaches, and the term 'world model' is not explicitly used.

Read-first 评分解释

综合优先阅读分 39，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 41。

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

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、实验

主题相关性 29%

58.6

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

引用影响力 18%

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 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

排序敏感性

稳定性：volatile；排名波动范围：245。

关键词评分

world dynamics prediction

video world model

world model

generative world model

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

解耦前向（视频生成）和逆向（动作预测）动力学预训练，以利用无动作网络视频
通用前向动力学模型（GFDM）在多样人类和机器人视频上预训练以进行未来预测
通用逆向动力学模型（GIDM）通过自监督学习从未标注视频转换中推断潜在动作
将GFDM和GIDM集成到统一架构中，用于下游任务的端到端微调

方法

DeFI预训练两个独立模型：GFDM用于前向动力学（视频生成），基于人类和机器人视频；GIDM用于逆向动力学（潜在动作推断），使用自监督学习未标注视频转换。预训练模型随后集成到统一架构中，并在下游机器人任务上进行端到端微调。

关键结果

DeFI在CALVIN ABC-D上平均任务长度为4.51，在SimplerEnv-Fractal上成功率为51.2%，真实世界部署成功率为81.3%，显著优于先前方法。

资源

论文