DREAM-Chunk：基于潜在世界模型的反应式动作分块

arXiv 2026 50.8 method, application

TLDR

DREAM-Chunk通过潜在世界模型增强动作分块策略，在测试时采样和选择以提高随机动态下的鲁棒性。

评分理由

The paper presents a novel test-time scaling method that enhances action chunking without fine-tuning, validated on real robot platforms. However, the abstract lacks details on the world model architecture and training, and the computational cost of candidate sampling is not discussed.

Read-first 评分解释

综合优先阅读分 50.8，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 29。

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%

95.6

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：0.9562244

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%

41.4

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

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：427。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

video world model

深度分析

创新点

一种针对动作分块策略的测试时扩展方法，使用轻量级潜在世界模型，无需额外微调
采样多个候选动作块，并基于预测的潜在未来与观测到的执行轨迹的匹配程度进行选择
通过覆盖多种可能的随机未来，提高在随机动力学下开环动作分块的鲁棒性

方法

DREAM-Chunk 通过一个轻量级潜在世界模型增强现有的基于分块的策略。在测试时，它采样多个候选动作块，使用世界模型展开其预测的潜在未来，并从预测状态与观测执行轨迹最匹配的动作块中选择动作。该方法利用额外的测试时计算来覆盖多种随机未来，且无需对策略进行微调。

关键结果

在 Kinetix 基准测试中，DREAM-Chunk 在动作噪声增加时提升了鲁棒性，并且从更大的候选样本量中获益，尤其是在演示包含纠正行为的情况下。该方法在两个机器人平台的四个操作任务以及两种 VLA 策略下，针对多种随机性来源进行了验证，结果表明在随机动力学中，动作分块策略的鲁棒性得到了提升。

资源

论文