DyWA: 动态自适应世界动作模型用于可泛化的非抓取操作

arXiv 25.3 2025 60.9 method, application

TLDR

DyWA联合预测未来状态并适应动态变化，利用单视角点云实现鲁棒的非抓取操作。

评分理由

The paper presents a novel framework that addresses key limitations of existing methods by unifying geometry, state, physics, and action modeling, achieving strong simulation and real-world results. However, the abstract lacks detailed comparison with other world model approaches and does not discuss potential failure cases or computational costs.

Read-first 评分解释

综合优先阅读分 60.9，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 49。

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

主题相关性 42%

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

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：基线、实验

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：GitHub

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：282。

关键词评分

world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

generative world model

world simulator

video world model

深度分析

创新点

动态自适应世界动作模型（DyWA），基于历史轨迹联合预测未来状态并适应动态变化
统一建模几何、状态、物理和机器人动作，在部分可观测性下实现鲁棒策略学习
仅使用单视角点云观测，减少对多视角相机和精确位姿追踪的依赖

方法

DyWA是一个通过联合预测未来状态并从历史轨迹适应动态变化来增强动作学习的框架。它统一了几何、状态、物理和机器人动作建模，并在仿真和真实世界实验中利用单视角点云观测与基线方法进行评估。

关键结果

在仿真中，DyWA使用单视角点云观测将成功率提高了31.5%。在真实世界实验中，它达到了68%的平均成功率，展示了跨物体几何形状的泛化能力、对不同桌面摩擦力的适应性，以及在半满水瓶和光滑表面等挑战场景中的鲁棒性。

资源

论文项目