Embody4D：一种用于具身4D世界建模的通用数据引擎

arXiv 2026 63.3 method, system, application

TLDR

Embody4D通过生成式视频到视频世界模型，将单目机器人视频转换为新视角视频，用于具身4D世界建模。

评分理由

Strengths include a novel data synthesis pipeline and geometric stability techniques; weaknesses are limited to visual benchmarks and unclear real-world impact beyond abstract mention.

Read-first 评分解释

综合优先阅读分 63.3，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 54。

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、数据集、评估、实验、指标

主题相关性 29%

77.1

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

引用影响力 18%

69.1

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：0.69139553

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：数据集

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

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：372。

关键词评分

world model

generative world model

video world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

3D感知的组合合成流水线，用于策划跨具身形态的机械臂与多样化背景的异构数据集
潜在置信度感知的专家调制策略，估计扭曲潜在先验的可靠性，并自适应地将区域路由到复制、修复或修补专家，以实现时空一致的4D生成
交互感知注意力机制，显式关注机器人交互区域以增强操作保真度

方法

Embody4D是一个专为具身场景设计的视频到视频世界模型，将单目机器人视频转换为来自灵活目标相机视角的新视角视频。它采用3D感知的组合合成流水线生成训练数据，使用潜在置信度感知的专家调制策略保证几何稳定性，并引入交互感知注意力机制提升操作保真度。

关键结果

Embody4D在视觉评估基准上达到最先进性能，模拟和真实机器人实验均证明其作为鲁棒数据引擎的有效性，能够合成高保真、视角一致的视频，赋能下游机器人规划与学习。

技术栈

Video-to-Video World Model3D-aware Compositional SynthesisLatent Confidence-aware Expert ModulationInteraction-aware AttentionGenerative Model4D World Modeling

资源

论文